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

目标检测里,视频与图像有何区别?

点击上方“机器学习与生成对抗网络”,关注星标获取有趣、好玩的前沿干货!前言本文介绍了知乎上关于视频目标检测与图像目标检测的区别的几位大佬的回答。主要内容包括有视频目标检测与图像目标检测的...

#算法#计算机视觉#机器学习 +2
直观思考:深度学习为何要 “深”?

来源:知乎—YJango 侵删地址:https://zhuanlan.zhihu.com/p/22888385为了研究神经网络,我们必须要对什么网络是什么有一个更直观的认识。01基本变换:...

#神经网络#网络#计算机视觉 +2
Pytorch DDP Training (分布式并行训练)

来源:知乎—就是不吃草的羊作者:https://zhuanlan.zhihu.com/p/52736005901有三种分布式训练模型被拆分到不同GPU, 模型太大了,基本用不到模型放在一个,数据拆分不同GPU,torch.dataparallel基本不会报bugsync bc要自己准备模型和数据在不同gpu上各有一份, torch.distributeddataparal...

#深度学习#机器学习#人工智能 +2
CVPR 2022 | 16万视频对、28万对片段,蚂蚁开源视频侵权检测超大数据集

作者:蚂蚁集团该研究提出了目前最大规模(超过现有其他数据集 2 个数量级规模)的视频侵权定位数据集VCSL,并提出全新的视频片段拷贝检测的评价指标。相关研究入选CVPR 2022。传统的版权保护行业费时、费力、成本高,海量内容难以全量保护,内容分发难以掌控传播的安全问题。区块链技术具有不可篡改、追根溯源、分布式共识等特点,和数字版权保护具有天然契合之处,将区块链技术与 A...

#算法#编程语言#计算机视觉 +2
PyTorch下的可视化工具

来源:知乎—锦恢地址:https://zhuanlan.zhihu.com/p/220403674toc无效QAQ,反正大致想说一下pytorch下的网络结构可视化和训练过程可视化。01网络结构的可视化我们训练神经网络时,除了随着step或者epoch观察损失函数的走势,从而建立对目前网络优化的基本认知外,也可以通过一些额外的可视化库来可视化我们的神经网络结构图。这将更加...

#神经网络#python#深度学习 +1
基于深度学习的视觉三维重建研究总结

点击上方“机器学习与生成对抗网络”,关注"星标"获取有趣、好玩的前沿干货!三维重建意义三维重建作为环境感知的关键技术之一,可用于自动驾驶、虚拟现实、运动目标监测、行为分析...

#python#计算机视觉#神经网络 +2
总结 | 基于深度学习的医学图像半监督分割

来自 | 知乎作者 |luoxd链接 | https://zhuanlan.zhihu.com/p/257109614准确、鲁棒地从医学图像中分割出器官或病变在许多临床应用中起着至关重要的作用,如诊断和治疗计划。随着标注数据的大量增加,深度学习在图像分割方面获得了巨大地成功。然而,对于医学图像来说,标注数据的获取通常是昂贵的,因为生成准确的注释需要专业知识和时间,特...

#计算机视觉#机器学习#人工智能 +2
OMGD:字节跳动开源的最新GAN压缩算法

点击上方“机器学习与生成对抗网络”,关注星标获取有趣、好玩的前沿干货!字节跳动近期开源了一项代号为OMGD的压缩技术。这是字节自研的GAN(生成对抗网络)压缩算法,在保证生成效果不变的前提...

#人工智能#深度学习#机器学习 +2
开源数据集汇总 | 小目标检测、图像分类、图像识别

编辑丨极市平台宠物图像数据集数据集下载地址:http://m6z.cn/5TAgdC一个包含 37 个类别的宠物数据集,每个类别大约有 200 张图像。这些图像在比例、姿势和照明方面有很大的变化。所有图像都有相关的品种、头部 ROI 和像素级三元图分割的地面实况注释。街景门牌号 (SVHN) 数据集数据集下载地址:http://m6z.cn/5ExMWbSVHN 是一个真...

#机器学习#人工智能#深度学习 +2
盘点2023人工智能进展,不止大模型而已

西风 发自 凹非寺 量子位 | 公众号 QbitAI2023年大模型千帆竞发,除此外AI领域还有哪些新突破?来来来,畅销书《Python机器学习》作者Sebastian Raschka的年末总结已经准备好了。看完才知道:RLHF今年虽然爆火,但实打实用到的模型并不多,现在还出现了替代方案,有望从开源界“出圈”;大模型透明度越来越低,透明度最高的是Llama 2,但得分也仅有54;开源模型下一步不.

#人工智能
    共 492 条
  • 1
  • 2
  • 3
  • 50
  • 请选择