登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了Flutter三方库cv在鸿蒙系统的适配指南。该库专注于计算机视觉数据抽象，提供高效的数据模型转换与图像处理方案，助力鸿蒙应用构建高性能视觉感知底座。文章详细解析了cv库的核心原理、核心优势，并提供了鸿蒙环境下的初始化示例和核心API详解。通过典型应用场景展示其在工业检测、智能分析等领域的应用价值，同时针对鸿蒙平台的性能优化和隐私保护提出了解决方案。最后通过实战演示说明如何实现高效的异常
为解决上述问题，我们设计并开发了这款 “基于YOLOv8/v10/v11/v12与SpringBoot的前后端分离昆虫识别检测系统” 。本系统深度融合了前沿的深度学习目标检测技术与现代化的Web开发框架，旨在为用户提供一个高效、精准、易用且功能完备的智能昆虫识别与分析平台。系统核心采用了一系列先进的YOLO模型（涵盖YOLOv8至最新的YOLOv12），确保了检测算法在精度与速度上的前沿性。同时，
睿智的目标检测35——Pytorch 搭建YoloV4-Tiny目标检测平台学习前言什么是YOLOV4-Tiny代码下载YoloV4-Tiny结构解析1、主干特征提取网络Backbone2、特征金字塔3、YoloHead利用获得到的特征进行预测4、预测结果的解码5、在原图上进行绘制YoloV4-Tiny的训练1、YOLOV4的改进训练技巧a)、Mosaic数据增强b)、Label Smoothin
本章介绍了计算机识别超分领域和目标检测领域中常常使用的两种卷积变体，亚像素卷积（Subpixel Convolution）和可形变卷积（Deformable Convolution），并给出对应pytorch的使用。
计算机视觉研究院专栏作者：Edison_GCVPR21文章我们也分享了很多最佳的框架，在现实场景中，目标检测依然是最基础最热门的研究课题，尤其目前针对小目标的检测，更加吸引了更多的研究员和...
避免过拟合的方法有提前结束训练、数据集扩增、正则化、Dropout、批量标准化、减小模型复杂度、Bagging、贝叶斯方法和决策树剪枝等。欠拟合则是模型复杂度低或数据集小，导致对数据拟合程度差，可通过增加样本数量和特征个数、扩展特征维度、减少正则化参数和使用集成学习方法改善。朴素贝叶斯分类效率稳定，适合小规模数据和多分类问题，对缺失数据不太敏感，但对输入数据表达形式敏感，当特征相关性较大时分类效果
卷积神经网络（CNN）是深度学习中用于处理图像数据的经典模型。其核心结构包含卷积层（提取局部特征）、池化层（降维）和全连接层（分类），通过ReLU等激活函数引入非线性。CNN利用卷积核滑动计算特征图，实现参数共享和局部连接，具有平移不变性。典型应用包括图像分类（如ImageNet）、目标检测（YOLO）、医学影像分割和风格迁移等。训练过程通过前向传播提取特征，反向传播优化参数。凭借强大的特征提取能
#今日论文推荐#训练数据减少多达三个数量级，等变图神经网络在长时间尺度上进行高保真分子动力学模拟分子动力学（MD）模拟是在能源存储、催化和生物过程等领域进行计算发现不可或缺的工具。在实践中，第一性原理方法的不利计算尺度将模拟限制在较短的时间尺度和较少的原子数。基于机器学习，特别是神经网络的原子间势能灵活模型的构建，有望从从头算参考计算中学习高保真势能，同时保留有利的计算效率。近日，来自哈佛大学的研
计算机视觉作为人工智能领域的关键分支，始终处于技术创新的前沿,现已经广泛应用于医疗、自动驾驶、安防、娱乐、工业等多个领域。在 2025 年 CVPR 论文中，出现了众多围绕视觉 - 语言模型融合、多模态学习等方向的创新成果。这些论文正代表了计算机视觉的前沿动态。我整理了100篇【2025CVPR】热门论文，希望能帮助各位寻找创新点！多模态学习的目标是使模型能够同时理解和生成多种类型的模态信息，例如
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨泡泡机器人来源丨泡泡机器人SLAM标题：Nerual RGB-D Surface Reconstruction作者：Dejan Azinovic，Ricardo Martin-Brualla，Dan B Goldman，Matthias Nießner，Justus Thies机构：Technical Univ...
如果你真的想学习人工智能，请不要去网上找那些零零碎碎的教程，真的很难学懂！你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！
在目标跟踪或目标检测的深度学习模型中，"嵌入头"（Embedding Head）通常指的是网络架构中负责生成目标的特征表示的部分。具体来说，嵌入头负责将输入图像或图像区域转换为一个高维度的向量（即嵌入向量或特征向量），其中包含了关于目标的抽象信息。例如，对于目标检测，嵌入头可能需要同时输出目标的类别信息和位置信息。因此，嵌入头的结构和输出可能在不同的模型和任务中有所不同。嵌入头的设计影响了模型对目
在传统视频处理中，OpenCV inpaint 曾是去水印的标准方案，但在复杂动态场景与 AIGC 视频中已逐渐失效。本文从工程实践出发，对 DeepFill、ProPainter 与 Diffusion Inpainting 等主流 AI 视频修复模型进行原理解析与效果对比，并讨论真实落地中的性能与稳定性挑战，帮助开发者理解 AI 时代视频去水印的正确技术路径。
exec函数0 前言1 为什么需要图神经网络？2图神经网络是什么样子的？3图神经网络的几个经典模型与发展4 无监督的节点表示学习（Unsupervised Node Representation）5 Graph Pooling参考知乎：https://zhuanlan.zhihu.com/p/1365216250 前言图神经网络有很多比较好的综述：1、Graph Neural Networks:
YOLOv13是新一代实时目标检测器，采用三项核心技术： HyperACE技术：基于超图的自适应相关性增强，通过可学习超边构建模块探索像素间高阶相关性，实现复杂场景的视觉感知。 FullPAD范式：全流程聚合与分发，在超图空间中提取增强特征并分配到模型各部分，实现信息流的细粒度控制。 轻量级模块：使用深度可分离卷积构建系列模块，保持感受野的同时减少参数量和计算量。
点击下方“ReadingPapers”卡片，每天获取顶刊论文解读论文信息摘要红外小目标检测（IRSTD）任务由于信号杂波比（SCR）低、背景复杂和强干扰而面临重大挑战。虽然张量理论在检测性能上显示出了希望，但在损坏张量构建、不准确的张量模型和高计算复杂性这三个问题上仍然存在。本研究通过引入独立的时空视角，提出了一种快速且可分离的时空张量补全模型。提出了一种新的张量结构，名为可分离的时空块-张量对（
本文为初学者提供了神经网络的学习路线，从基础知识到实战应用，涵盖了数学、编程、神经网络基础概念、深度学习框架（如PyTorch和TensorFlow）、实战项目构建及优化调试技巧。文章逐步引导读者从零基础掌握神经网络的核心技术，并通过实战项目如MNIST数据集上的图像分类模型，帮助读者将理论知识应用于实际。此外，还分享了AI学习资源，包括课程、项目、论文和行业报告，以支持深入学习人工智能领域。
在本次分享中，我们邀请到了阿里巴巴达摩院智能计算实验室团队的姜奕祺，将主要介绍他们关于目标检测框架的新探索：DAMO-YOLO : A Report on Real-Time Object Detection Design
这篇文章来自CVPR2021，作者是港科大计算机系在读，本科毕业于清华，个人主页。Motivation既然是从卷积出发，我们需要先梳理卷积。卷积的操作如上图所示，是目前神经网络里最基础的算子。它具备两个特性：空间不变性因为卷积网络采用滑窗的形式，所以对于一张图片的各个部分，是共享卷积核参数的，相比于全连接网络，它在某个像素处，只考虑一个小邻域的信息，相当于加了一个很强的正则。这个特性的好处是大大降
SlowFast网络是一种创新的双模态卷积神经网络（CNN），它利用两个并行的CNN流——慢速流（Slow）和快速流（Fast）——来分别处理视频中的静态和动态信息。慢速流专注于捕捉全局空间信息，如场景布局和物体结构；而快速流则专注于捕捉短期运动信息，如物体的运动轨迹和速度变化。
点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID｜计算机视觉研究院学习群｜扫码在主页获取加入方式https://www.mdpi.com/2079-9292/12/17/3664计算机视觉研究院专栏Column of Computer Vision Institute随着无人机在商业和工业领域的广泛应用，无人机检测在公共安全等领域受到越来越多的关注，无人机目标检测技术也随之快速发展。
自动驾驶关键传感器——LiDAR什么是LiDAR?LiDAR工作原理点云LiDAR与其他传感器对比LiDAR在自动驾驶中的地位车用LiDAR种类什么是LiDAR?LiDAR，是Light Detection and Ranging的缩写，常用作代表激光雷达。LiDAR是一种传感技术，可发射低功率，人眼安全的激光进行脉冲测量，并测量激光完成传感器与目标之间往返所需的时间。所得的聚合数据用于生成3D点
目标检测之空间变形网络(STN)一、STN定义STN：是一个可以放置在CNN前面，或嵌入到CNN其中的某一环节的模块（空间变形器），是Google旗下 DeepMind 公司的研究成果。该论文提出空间变换网络STN，分为参数预测、坐标映射、像素采集三大部分，可以插入到现有的CNN模型中。通过对数据进行反向空间变换来消除图片上目标的变形，从而使得分类网络的识别更加简单高效。二、CNN的平移不变性普通
作者丨黄浴@知乎来源丨https://zhuanlan.zhihu.com/p/370650927编辑丨3D视觉工坊看到的一些近期激光雷达做目标检测的论文。1 Offboard 3D Ob...
密集场景MOT会因为相互遮挡与冗余检测导致特征丢失、累计误差，出现 ID switch 和误匹配传统轨迹-检测二分图有一对一匹配限制在“频繁出现相似目标”的密集场景容易失败提出 Hypergraph Random Field (HRF)，引入两类超节点，分别为trajectory hypernodes和domain hypernodes将 tracking 抽象为图，图中包含三类节点：①当前帧检测
计算机视觉方向毕业设计选题研究方向包括图像分类与识别、目标检测、图像分割、视觉跟踪、人脸识别与验证、图像生成与风格迁移、3D视觉与重建、视觉质量评估、视觉问答和多模态学习等。每个方向均涉及深度学习、机器学习和图像处理等技术，涵盖从医疗影像分析到自动驾驶、虚拟现实等多个实际场景。
手把手带你微调yolo目标检测-教程
点上方蓝字计算机视觉联盟获取更多干货在右上方···设为星标★，与你不见不散计算机视觉联盟笔记作者：王博Kings、Sophia本文内容概述王博Kings、Sophia学习笔...
计算机视觉
——计算机视觉
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
人工智能6S服务平台
2048 AI社区
魔乐社区
