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

51c~视觉~红外小目标检测~合集1

本文提出了一个多尺度方向感知网络(MSDA-Net),首次将高频方向特征作为领域先验引入红外小目标检测网络。为充分挖掘这类特征,该团队设计了两个关键模块:其一是无参数的高频方向注入(HFDI)模块,用于将原始图像的高频方向信息直接嵌入特征提取的早期阶段;其二是多尺度方向感知(MSDA)模块,用于促进不同尺度下局部关系的充分提取和不同方向上关键特征的充分感知。

#人工智能
51c深度学习~合集10

特征可视化分析(下图)清晰地表明,相比于传统对比学习,USDRL所学习到的特征在类别间具有更好的可分性,形成了清晰的簇状结构,证明了特征去相关范式的优越性。USDRL旨在成为该领域的一个基础模型,它不仅在传统的粗粒度预测任务(如动作识别)上表现出色,更在被以往工作所忽视的密集预测任务(如动作检测、分割和预测)上取得了显著成果。MG-FD是USDRL自监督学习的核心。总而言之,这项工作不仅在技术上取

#人工智能
51c深度学习~合集13

为了利用VGGT在头部嵌入层面的标记的空间局部性和时间对应性,我们引入了一种时间重排序和头部级自适应异常值过滤技术,该技术帮助HTTM高效合并标记,同时保留其独特性,从而在长输入序列上实现高达7倍的显著加速,且性能无下降。如图2所示,我们面对的不是简单的"红苹果"和"绿苹果",而是像"一只金毛猎犬在公园草坪上追赶红盘"、"盘子里放着鲜红的草莓、黄香蕉和深紫色的葡萄"这样高度复杂的场景。在图5中,我

#人工智能
w嵌入式分享合集191

STM32中一共有11个定时器,其中TIM6、TIM7是基本定时器;TIM2、TIM3、TIM4、TIM5是通用定时器;TIM1和TIM8是高级定时器,以及2个看门狗定时器和1个系统嘀嗒定时器。其中系统嘀嗒定时器是前文中所描述的SysTick。其中TIM1和TIM8是能够产生3对PWM互补输出,常用于三相电机的驱动,时钟由APB2的输出产生。TIM2-TIM5是普通定时器,TIM6和TIM7是基本

#嵌入式硬件
w嵌入式分享合集106

电路问题计算的先决条件是正确识别电路,搞清楚各部分之间的连接关系。对较复杂的电路应先将原电路简化为等效电路,以便分析和计算。识别电路的方法很多,现结合具体实例介绍十种方法。一、特征识别法串并联电路的特征是;串联电路中电流不分叉,各点电势逐次降低,并联电路中电流分叉,各支路两端分别是等电势,两端之间等电压。根据串并联电路的特征识别电路是简化电路的一种最基本的方法。例1.试画出图1所示的等效电路。解:

#嵌入式硬件
51c~嵌入式~OTA~合集1

OTA(空中下载技术)是一种通过无线或有线方式实现设备固件升级的技术。文中详细介绍了OTA的概念、优点、实现原理及具体应用场景,涵盖MCU和Linux系统的OTA升级方法,对比了双区与单区模式的差异,并分析了蓝牙、UART、USB等不同接口的升级方案。此外,还探讨了数字签名在安全升级中的作用,以及Nordic芯片的DFU(设备固件升级)流程,包括安全与非安全模式的实现步骤。最后以AT32为例,展示

#嵌入式硬件
51c嵌入式~PCB~合集2

现如今,能用软件进行画图,布线并设计PCB的工程师越来越多,但是一经设计完成,并能很好的提高焊接效率,作者认为需要重点注意以上要素。并且培养良好的画图习惯,能够很好的以加工工厂进行很好的沟通,是每一个工程师都要考虑的。https://blog.51cto.com/whaosoft/14017793

#嵌入式硬件
w嵌入式分享合集119

3.7V输出5V1A同步整流升压PS7516。特点:效率极高普遍90%及以上,外围器件少,可过EMI。3.3V~4.2V升压输出5V1A异步升压芯片PL2628。特点:效率普遍80%左右,需要整流肖特基二极管。3V、3.3V、3.7V升压输出5V2.4APS7526超高效率的同步整流升压方案,现实应用足2.4A。2.4V~4.5V升压输出5V3AFP6277超高效率的同步整流升压方案,现实应用足3

#嵌入式硬件
51c大模型~合集60

我自己的原文哦~ https://blog.51cto.com/whaosoft/12102352当大模型Scaling Law继续,万卡集群算力释放在「百舸」这里找到一条通途在电影《天下无贼》中,葛优扮演的黎叔有这样一句经典的台词,「二十一世纪什么最贵?人才!」而随着人工智能行业进入到大模型时代,这一问题的答案已然变成了「算力」。随着模型规模急剧扩张,参数已经飙升到了千亿甚至万亿级,业界开启了千

#人工智能
w~深度学习~合集4

该研究提出的模型 IMMA 由一个 Encoder 和一个 Decoder 组成。Encoder 的输入是一系列轨迹观测,输出是一个在隐空间内的交互关系图。Decoder 通过对推测出的关系图里面的信息进行传递和整合来生成对每个智能体未来轨迹的预测。下面 Figure 2 提供了模型示意图和进一步解释。

#人工智能
    共 419 条
  • 1
  • 2
  • 3
  • 42
  • 请选择