1、算法1YOLOv6：又快又准的目标检测框架开源啦1目标检测开源框架 YOLOv6 全面升级，更快更准的 2.0 版本来啦13通用目标检测开源框架 YOLOv6 在美团的量化部署实战177 次 KDDCup&Kaggle 冠军的经验分享：从多领域优化到 AutoML 框架37图神经网络训练框架的实践和探索66图技术在美团外卖下的场景化应用及探索83大规模异构图召回在美团到店推荐广告的应用102美团搜索粗排优化的探索与实践116美团外卖推荐情境化智能流量分发的实践与探索129大众点评搜索相关性技术探索与实践152美团 SemEval2022 结构化情感分析跨语言赛道冠军方法总结174检索式对话系统

2、在美团客服场景的探索与实践188端智能在大众点评搜索重排序的应用实践216对话摘要技术在美团的探索（SIGIR）238异构广告混排在美团到店业务的探索与实践258短视频内容理解与生成技术在美团的创新实践271美团搜索中查询改写技术的探索与实践297美团内部讲座|清华大学崔鹏：因果启发的学习、推断和决策325目录NeurIPS2021 Twins：重新思考高效的视觉注意力模型设计339美团获得小样本学习榜单 FewCLUE 第一！PromptLearning+自训练实战353DSTC10 开放领域对话评估比赛冠军方法总结368KDD2022|美团技术团队精选论文解读382ACMSIGIR2022

3、|美团技术团队精选论文解读391CVPR2022|美团技术团队精选论文解读404ACMMM&ECCV2022|美团视觉 8 篇论文揭秘内容领域的智能科技413算法2022年美团技术年货图 1-1YOLOv6 各尺寸模型与其他模型性能对比图 1-2YOLOv6 与其他模型在不同分辨率下性能对比算法2022年美团技术年货图 2Roofline Model 介绍图于是，我们基于硬件感知神经网络设计的思想，对Backbone和Neck进行了重新设计和优化。该思想基于硬件的特性、推理框架/编译框架的特点，以硬件和编译友好的结构作为设计原则，在网络构建时，综合考虑硬件计算能力、内存带宽、编译优化特性、网络

4、表征能力等，进而获得又快又好的网络结构。对上述重新设计的两个检测部件，我们在YOLOv6中分别称为EfficientRepBackbone和Rep-PANNeck，其主要贡献点在于：引入了RepVGG4style结构。基于硬件感知思想重新设计了Backbone和Neck。RepVGG4Style结构是一种在训练时具有多分支拓扑，而在实际部署时可以等效融合为单个3x3卷积的一种可重参数化的结构（融合过程如下图3所示）。通过融合成的3x3卷积结构，可以有效利用计算密集型硬件计算能力（比如GPU），同时也可获得GPU/CPU上已经高度优化的NVIDIAcuDNN和IntelMKL编译框架的帮助。算法

5、2022年美团技术年货都重新设计为RepBlock，其中RepBlock的第一个RepConv会做channel维度的变换和对齐。另外，我们还将原始的SPPF优化设计为更加高效的SimSPPF。图 4EfficientRep Backbone 结构图Rep-PAN：在Neck设计方面，为了让其在硬件上推理更加高效，以达到更好的精度与速度的平衡，我们基于硬件感知神经网络设计思想，为YOLOv6设计了一个更有效的特征融合网络结构。Rep-PAN基于PAN6拓扑方式，用RepBlock替换了YOLOv5中使用的CSP-Block，同时对整体Neck中的算子进行了调整，目的是在硬件上达到高效推理的同时

6、，保持较好的多尺度特征融合能力（Rep-PAN结构图如下图5所示）。算法2022年美团技术年货图 6Efficient Decoupled Head 结构图2.3更有效的训练策略为了进一步提升检测精度，我们吸收借鉴了学术界和业界其他检测框架的先进研究进展：Anchor-free无锚范式、SimOTA标签分配策略以及SIoU边界框回归损失。Anchor-free无锚范式YOLOv6采用了更简洁的Anchor-free检测方法。由于Anchor-based 检测器需要在训练之前进行聚类分析以确定最佳Anchor集合，这会一定程度提高检测器的复杂度；同时，在一些边缘端的应用中，需要在硬件之间搬运大量