logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

【AI】第 5 篇:国产 AI 芯片的真实位置——昇腾、寒武纪、壁仞与“卡之外”的差距

国产 AI 芯片在单卡纸面算力上已经追到 A100 附近、部分指标接近 H100,但。

文章图片
#人工智能
【AI】第 5 篇:国产 AI 芯片的真实位置——昇腾、寒武纪、壁仞与“卡之外”的差距

国产 AI 芯片在单卡纸面算力上已经追到 A100 附近、部分指标接近 H100,但。

文章图片
#人工智能
【AI】人工智能核心方法演进:从统计学习到生成式大模型

《人工智能核心方法演进:从统计学习到生成式大模型》第 0 篇:ChatGPT、DeepSeek、Claude 到底差在哪?——从一次芯片禁令说起DeepSeek-V3整体架构(来源:DeepSeek)2022 年以来,美国商务部工业与安全局(BIS)围绕先进 AI 芯片的对华出口,发布了一轮又一轮规则。这些规则的核心逻辑并不复杂:用硬件供给的瓶颈,延缓对手在 AI 能力上的追赶速度。但规则本身在反

文章图片
#人工智能#学习
【Bonjour】从《我的女友景甜》小作文到实现一个简易区块链:原理与Python代码详解

孙宇晨的六千字小作文《我的女友景甜》,本质上和他发币的逻辑一模一样——制造注意力,收割流量,然后高位套现。但注意力不是价值。虚拟币不是价值。代码本身也不是价值。价值来自链外——来自它帮谁解决了什么问题、降低了多少成本、创造了多少真实效益。如果你的链不能帮任何人解决任何问题,那它就只是一段会消耗电力的代码。那些靠发币圈钱的人,从来不是在做技术,而是在做传销。他们利用的是人性中的贪婪,收割的是普通人对

文章图片
#python#区块链
基于深度学习的多光谱图像语义分割 —— 从原理到实践(第四节)

本文介绍了基于深度学习的多光谱图像语义分割完整流程,重点演示了测试图像的推理、后处理和植被覆盖率计算。主要内容包括:1) 采用分块策略对大尺寸测试图像进行推理;2) 使用中值滤波去除分割结果的椒盐噪声;3) 通过图像叠加实现可视化验证;4) 统计植被像素占比计算覆盖率。实验结果显示测试区域植被覆盖率达60.7%,验证了方法在生态环境监测中的实用价值。文章提供了完整的MATLAB代码实现,为从模型推

文章图片
#matlab
基于深度学习的多光谱图像语义分割 —— 从原理到实践(第一节)

本文介绍了基于深度学习的多光谱图像语义分割方法,重点讲解了语义分割的概念、多光谱图像的优势以及U-Net网络的特点。文章首先区分了图像分类、目标检测和语义分割三种视觉任务,说明语义分割在自动驾驶、医学影像等领域的应用价值。其次,阐述了多光谱图像相比RGB图像的优势,特别是在植被识别等场景中的独特作用。最后,介绍了U-Net网络结构和MATLAB相关工具箱,概述了从数据准备到模型评估的完整工作流程,

文章图片
#matlab
基于深度学习的多光谱图像语义分割 —— 从原理到实践(第二节)

本文摘要介绍了基于深度学习的多光谱图像语义分割实践中的数据获取与预处理步骤。主要内容包括:1)下载预训练U-Net模型和Hamlin Beach多光谱数据集;2)将数据从CHW格式转换为MATLAB常用的HWC格式;3)分析各通道的光谱含义(可见光到近红外波段);4)可视化RGB、近红外通道和掩膜图像;5)理解原始标签类别分布。该过程为后续模型训练和评估奠定了基础,特别强调了多光谱数据特有的通道信

文章图片
#matlab
基于深度学习的多光谱图像语义分割 —— 从原理到实践(第六节·完结篇)

本文摘要: 《基于深度学习的多光谱图像语义分割》完结篇聚焦模型评估与性能分析,通过定量指标(全局准确率、IoU、边界F1分数等)验证U-Net在植被分割任务中的优异表现(示例指标:96.94%准确率)。文章详细演示了验证集分块推理、掩膜处理、评估流程及MATLAB实现代码,并总结了从数据准备到训练部署的全流程要点。最后提出多类别扩展、先进网络架构等优化方向,为遥感影像分析提供完整解决方案。全文强调

文章图片
#matlab
基于深度学习的多光谱图像语义分割 —— 从原理到实践(第五节)

其中y_i,c是真实标签的 one‑hot 编码,p_i,c是网络预测的概率。但我们的数据中存在无效区域(掩膜外),这些像素不应参与损失计算。因此我们需要自定义损失函数,利用掩膜屏蔽无效位置。我们定义如下函数(需要单独保存为lossFcn.m% Y: 网络预测,尺寸 H×W×C(C为类别数)% T: 真实标签 one‑hot,尺寸 H×W×C,无效区域为 NaN% 有效像素位置(逻辑矩阵)% 临时

文章图片
#matlab
基于深度学习的多光谱图像语义分割 —— 从原理到实践(第三节)

本文介绍了利用MATLAB的blockedImage框架处理超大尺寸多光谱图像进行深度学习语义分割的方法。针对9000×5000像素以上图像直接训练会导致内存不足的问题,提出将图像分块为256×256补片的解决方案。通过blockedImage对象记录图像元信息,配合blockedImageDatastore实现按需读取,并利用掩膜筛选有效补片(有效像素占比>95%)。对标签进行one-hot编码

文章图片
#matlab
    共 27 条
  • 1
  • 2
  • 3
  • 请选择