转载自 https://zhuanlan.zhihu.com/p/352348349新视角：用图像分类来建模文字识别也可以SOTA深度学习（Deep Learning）话题下的优秀答主我们最近做了一个文字识别的工作：CSTR: A Classification Perspective on Scene Text Recognition，简单介绍如下。当前文字识别有两种建模视角：seq2seq-ba

前言缺陷检测是工业上非常重要的一个应用，由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中，下面将会介绍几种深度学习算法在缺陷检测领域中的应用。1、A fast and robust convolutional neur

内容列表：结构概述用来构建卷积神经网络的各种层卷积层汇聚层归一化层全连接层将全连接层转化成卷积层卷积神经网络的结构层的排列规律层的尺寸设置规律案例学习（LeNet / AlexNet / ZFNet / GoogLeNet / VGGNet）计算上的考量拓展资源卷积神经网络（CNNs / ConvNets）卷积神经网络和上一章讲的常规神经网络非常相似

自从 Ian Goodfellow 在 14 年发表了 论文 Generative Adversarial Nets 以来，生成式对抗网络 GAN 广受关注，加上学界大牛 Yann Lecun 在 Quora 答题时曾说，他最激动的深度学习进展是生成式对抗网络，使得 GAN 成为近年来在机器学习领域的新宠，可以说，研究机器学习的人，不懂 GAN，简直都不好意思出门。下面我们来简单介绍一下生成式..

链接：https://github.com/ayushoriginal/Sentiment-Analysis-Twitter原文链接：http://weibo.com/5581058391/Ee7dUxZBv?from=page_1005055581058391_profile&wvr=6&mod=weibotime&type=commentSentimen

目标检测技术作为计算机视觉的基础任务之一，在过去几十年取得了显著的进步，尤其近几年，随着深度学习的发展，基于深度神经网络的标准正框目标检测方法迅速取代了传统方法，成为智能安防、家居、出行等领域不可或缺的关键技术，比如人脸检测、人体检测、车辆检测、通用物体检测等。然而，还有一些场景的目标普遍带有任意旋转的多角度并且呈现密集排列，普通正框检测的方法无法满足需求，比如遥感目标检测、货架商品检测、自然场景

前言缺陷检测是工业上非常重要的一个应用，由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中，下面将会介绍几种深度学习算法在缺陷检测领域中的应用。1、A fast and robust convolutional neur

但是，在我们刚刚安装好 docker 并构建好镜像之后，直接这样运行是有问题的。我们知道，想要在 docker19 及之后的版本中使用 nvidia gpu 已经不需要单独安装 nvidia-docker 了，这已经被集成到了 docker 中。另外需要注意的是，这个东西是不能直接 apt install，会报找不到该软件，需要先添加英伟达的 apt 软件源。实际上，我们在通过 --gpus 参数

行人检测数据集行人检测( Pedestrian Detection) 是计算机视觉领域内应用比较广泛和比较热门的算法，一般会与行人跟踪，行人重识别等技术进行结合，来对区域内的行人进行检测识别跟踪，广泛应用于安防，零售等领域。由于行人的外观易受穿着、尺度、遮挡、姿态和视角等影响，行人检测也具有一定的挑战性。本文我们收集了行人检测常用的一些数据集，方便大家来学习和研究行人检测算法。所有数据集均为网上公

[预训练模型]darknet-yolov7预训练模型下载地址