登录社区云，与社区用户共同成长
邀请您加入社区
本研究针对智慧农业中杂草识别难题，提出融合自注意力的ResNet34混合架构，有效提升15类细粒度杂草分类精度。通过在ResNet34各残差层后嵌入2D自注意力模块，兼顾局部纹理与全局形态建模，结合迁移学习与数据增强策略，在4700+张田间图像上实现高效训练与推理。代码包含完整训练、评估与批量预测流程，支持可视化分析，显著降低模型误判率，为精准除草机器人提供可靠视觉支持。
本文以贾子猜想为元判定标尺，将其定位欧拉幂和与LPS谱系k=n临界带，指出n=6小模数仅给必要条件、模48下存约8.75亿同余可行元组，局部约束不构成闭合死锁，无穷下降与模形式工具均难移植。文章构建T-M₁-M₂-L-W-E-V-S-D四层不可逆架构及KCIT、LWEVSD审计工具，区分分布似真与本体之真，论证概率拟合范式的沉没成本、目标错位、组件萃取与涌现信念四重锁死。十八模型同题概述实验呈百分
本文以18个全球主流AI模型围绕《论贾子猜想作为认知系统的元判定标尺》一文的同题概述测试为案例，成绩从100分到-100分极端分化。研究区分信息获取、原文理解、结构识别、逻辑一致性、任务执行与认知独立性等能力维度，剖析分数背后的任务获取失败、结尾理论立场冲突、自我设限与问题解决停滞等行为模式。文章提出任务忠实度、原文忠实度、结构理解力与论证一致性等操作化指标，引入USDS 2.0的KLA、LWEV
本文系统梳理触觉分类的核心问题：机器人需从接触信号中判断材质、属性与状态，而非简单归类。强调任务定义须区分材料、属性与状态，避免标签混淆；指出触觉读数受动作条件影响，需在时序与条件上下文中建模；提出换能、感知、操作三层分离的框架，明确表征与策略分工；分析扫动优于按压、形变需结合载荷等关键证据；最后强调传感器特性决定输入形式，但无法直接输出决策，需结合动作与控制闭环。
随着医学影像数字化与人工智能辅助诊断技术的快速发展，基于胸部 X 射线影像的肺炎智能识别已广泛应用于基层筛查、体检初筛与急诊分诊等场景。然而，现有研究与应用仍存在明显不足：阅片高度依赖放射科医师经验，工作量大且易受疲劳与主观差异影响，基层机构阅片能力尤为不足；单一模型给出的结论缺少交叉验证，难以判断结果是否可靠；识别多局限于单张影像的离线判断，难以覆盖视频流与摄像头实时场景；识别结果缺乏统一的统计
本文研究2025年提出的贾子猜想：n≥5时n项n次幂和方程无互异正整数解。文章通过代数几何、模形式与量子计算交叉分析，指出其项数指数刚性耦合与互异约束使变量随n非线性增长，区别于费马固定三变量与欧拉k<n结构；模16、模37条件下呈现局部矛盾，而高维穷举与量子算法均遇指数墙。研究进一步探讨该猜想与暗能量密度、弦理论Dp膜能量平衡的潜在关联，认为其标志着从工具理性向宇宙理性的范式转变，并触及AI概率
本文提出"认知探针猜想"概念，以贾子猜想为典型案例，区分知识复刻与高阶范式创造。研究指出当前大模型属概率拟合系统，仅能重组人类已发表知识，面对无穷域全称命题时暴露根本局限；能够独立终审贾子猜想的高阶推理智能需具备结构化符号建模、元推理、全称量词处理与内置一致性校验能力。本文论证范式创造能力与自我意识可以解耦，形式核验可锁定真值却无法自动生成数学洞察。当机器接管真值判定，数学将分裂为真值工程与洞察萃
数据分类分级平台正经历从 "规则扫描器" 到 "智能数据资产理解引擎" 的跃迁。大模型重构的不只是识别准确率，而是把过去依赖专家经验的语义理解、定级判断、标签维护，变成可规模化、可私有化、可持续学习的平台能力。但这并不意味着人被替代 —— 行业分级标准的把握、误分级的风险承担、业务部门的协同推进，仍然需要专业服务团队深度参与。
本文针对制造企业老板在AI转型中的焦虑，提出了一个“三维坐标系”来帮助企业分类分级应用AI技术。文章首先阐述了AI从“单点工具”向“全局大脑”的进化趋势，接着介绍了X轴（智能制造生命周期）、Y轴（制造业系统层级）和Z轴（AI技术应用）的分类方法，最后按照技术成熟度和商业价值将应用划分为基础级、先进级和卓越级三个段位，帮助企业在AI转型中找准定位，量力而行。2026年，是“人工智能+制造”规模化落地
针对多角色学习伴侣中记忆共享隐私缺失、检索单一及幻觉问题，提出分层记忆检索与反幻觉方法：构建learning/casual/emotional三级可见性模型，实现跨角色共享与隐私隔离；设计融合相似度、重要度、时间衰减与模式加权的排序机制，结合低分阈值拒绝无关查询；引入反幻觉约束。在408考研合成数据集上，Recall@5达0.91，无关查询全拒（6/6），私密记忆泄漏降至0，误引率由40.0%降至
2026年，AI编程主要分为四大范式：AI编程助手（如GitHub Copilot）、自然语言转代码（NL2Code）、VibeCoding与自主代码生成（AgenticCoding）。按形态分，主流为IDE插件型（占63%），其次为独立AI原生IDE（如Cursor、QoderCN）、命令行工具（如ClaudeCode）及云端平台。技术演进从“辅助补全”迈向“全流程自动化”，开发模式转向深度协作
本文以2026年10月31日为截面，系统统计中国生成式AI备案突破1100款，形成豆包、通义千问、DeepSeek、GLM、Kimi头部梯队与文心、混元、MiniMax等强项梯队，呈现"通用+垂类""开源+闭源"双轨格局。国家实验室体系以鹏城云脑Ⅲ万P国产算力、之江三体计算星座、上海AI实验室万亿参数科学模型、智源Emu3.5与Brainμ、临港元生、怀柔算电协同为支柱，构成"底座算力—通用大模型
12 月起，ChatGPT 与 Codex 将共用一个额度，Instant 聊天不占额度，Fast 模式按 2.5 倍消耗。额度变紧后，最费额度的用法往往也是效果最差的用法。本文总结改论文时最费额度的 4 个习惯及改法，并附一份可直接照抄的论文项目 AGENTS.md 模板。
本文介绍了一个基于EfficientNetB3的猴痘皮肤病变识别项目。项目使用包含228张原始图像（102张猴痘、126张其他）的Kaggle数据集，通过数据增强扩充样本量。采用Python 3.9和TensorFlow搭建深度学习模型，对EfficientNetB3进行微调，添加Dropout层防止过拟合。实验结果显示模型测试准确率达95.56%，精确率、召回率和F1分数均超过0.95。该模型能
本文清理“真/伪猜想”与“版本”两重混淆：猜想只有定理、假命题、未决三态，“真/伪猜想”系自相矛盾的语言构造，欧拉猜想被证伪后仍称猜想即为判据；贾子猜想定义唯一——n=3m>5、k=n、两两互异、正整数、无解，偏离即非本命题。n=3m系生成论锚点与模3、模16闭合死锁的唯一格点。本文区分费马大定理的可压缩结构与贾子猜想的不可归约问题族：前者无穷指数坍缩为单一模性障碍，后者项数随指数同步增长、跨层归
本文基于MindSpore框架，以ResNet-50为例，完整演示了在昇腾Ascend 910B硬件上进行图像分类训练的全流程。通过数据下沉、混合精度、自动并行等技术，显著提升单卡与多卡训练效率，解决显存不足、吞吐低等问题。提供可运行代码，涵盖环境部署、数据处理、模型训练、精度验证及调优排错，助力开发者高效落地大模型训练。
本文基于昇思MindSpore与昇腾NPU，全流程演示大模型在中文关系抽取中的落地实践。通过指令微调+LoRA低秩适配，实现高效微调与部署，涵盖数据处理、模型训练、推理验证及Gradio可视化，并支持MindIR导出与线上服务部署，助力知识图谱、RAG等场景快速构建结构化关系三元组。
本文整理了两道McKinsey OA真题解法：一是数组成本优化题，通过分析插入整数对相邻元素差平方和的影响，找出使成本最小的插入位置，关键在于局部优化与整数约束处理；二是机器人分类题，需完成数据清洗、特征选择、随机森林建模及评估，强调全流程数据处理与模型性能分析。备考建议涵盖算法思维、数据预处理、模型应用与限时练习，突出理解题意与边界条件的重要性。
本文基于昇思MindSpore与昇腾NPU，以CIFAR-10和ResNet50为例，系统演示图像分类全流程：涵盖数据增强、网络构建、训练调优、评估推理及部署。通过MindData实现高效数据流水线，利用Model高阶API简化开发，结合图模式与分布式训练释放硬件性能。重点介绍昇腾平台调优要点：启用图模式、合理设置batch size、使用预训练模型迁移学习，并规避归一化错误、数据泄露等常见问题，
很多管理者发现，AMR 只接管了搬运和上下架，仓库总人力却大幅下降。答案不在机器人本身，而在用工结构：AMR 替人扛住了岗位峰值，让人从“多面手流转”切换到“专人专岗、流水线作业”。精工智能以 WMS 与 AGV 调度协同，把这一逻辑落到仓储现场。
智慧昆虫分类识别数据集 昆虫识别数据集农作物害虫分类数据集 蛾子数据集蜜蜂图像数据集 yolo分类10297期
【代码】用Weisfeiler-Lehman 图核 计算solidworks零件的拓扑相似度。
针对 100 余张口罩检测数据集（二分类：带口罩 / 不带口罩），基于 Windows 平台 + 消费级 GPU 完成 YOLOv5.2 模型训练，最终模型训练 100 轮达到 0.8左右 mAP，适配小数据集 + RTX3050 的实战场景。
该柑橘病害数据集包含训练集和测试集，分为新鲜柑橘和三种病害类型（溃疡病、黑斑病、绿化病）。训练集中：黑斑病206张、溃疡病201张、新鲜388张、绿化病369张。测试集中：黑斑病138张、溃疡病148张、新鲜164张、绿化病176张。总计训练集1164张，测试集626张图像，可用于柑橘病害分类研究。
在工业设计领域，SolidWorks与Creo的对决从未停歇。前者以易用性圈粉中小企业，后者凭强参数化深耕高端制造。2025年技术迭代后，两者差距是否进一步拉大？
编程语言: Python;数据集来自网络mushrooms_9，其中包括6714张蘑菇图片，分9类，依次为伞菌属(Agaricus)、鹅膏属(Amanita)、牛肝菌属(Boletus)、丝膜菌属(Cortinarius)、粉褶蕈属(Entoloma)、蜡伞科(Hygrocybe)、乳菇属(Lactarius)、红菇属(Russula)、乳牛肝菌属(Suillus)；
有时目标检测由于数据集类别不均衡，类别自身分类难易度差距，以及数据集自身标注问题的缘由，导致有的类别能很快收敛，而有的类别迟迟难以收敛，可能出现有的类别已经过拟合而有的类别仍欠拟合的现象。直接改为focal loss难例挖掘又由于标注自身的问题往往不见得有更好的效果。同时由于一般检测时对于不同类别重视程度不同，所以可手动根据类别的重要性和实际的识别效果对分类损失bceloss进行加权，调整难分类别
【完整源码+数据集+部署教程】烟叶植株计数与分类系统源码和数据集：改进yolo11-TADDH
【完整源码+数据集+部署教程】人员异常行为识别检测系统源码和数据集：改进yolo11-CSP-EDLAN
【完整源码+数据集+部署教程】 落叶植物叶片分类系统源码和数据集：改进yolo11-LVMB
视频演示：【鲲码园Python】基于pytorch的猫咪品种分类系统_演示飞书文档：classification_of_cats_breeds_based_on_pytorch
比如我只想从数据集中取手机的图像，来用于我的训练，懒得自己一张一张标注，方法如下。
分类
——分类
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DAMO开发者矩阵
openEuler 社区
北京朝阳AI社区
AtomGit AI 社区
人工智能6S服务平台
乐奇 Rokid 开放社区
