在开始之前，笔者想简单介绍一下tensorflow程序读取文件的三种方式：（1）：供给数据(Feeding)：在TensorFlow程序运行的每一步， 让Python代码来供给数据。（2）：从文件读取数据：在TensorFlow图的起始， 让一个输入管线从文件中读取数据。（3）：预加载数据：在TensorFlow图中定义常量或变量来保存所有数据(仅适用于数据量比较小的情况)。...

前言图片分类任务我们已经熟悉了，就是算法对其中的对象进行分类。而今天我们要了解构建神经网络的另一个问题，即目标检测问题。这意味着，我们不仅要用算法判断图片中是不是一辆汽车， 还要在图片中标记出它的位置， 用边框或红色方框把汽车圈起来， 这就是目标检测问题。 其中“定位”的意思是判断汽车在图片中的具体位置。近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region P

AP (Average precision 平均精度)是主流的目标检测模型的评价指标。再介绍AP之前，我们先来回顾一下需要用到的几个概念precision，recall以及IoU。IoU（Intersection over union）交并比交并比(IoU)衡量的是两个区域的重叠程度，是两个区域重叠部分面积占二者总面积（重叠部分只计算一次）的比例。如下图，两个矩形框的IoU是交叉面积（中间图片红色

摘 要：随着5G的商业化运行，通信网络运营正面临巨大挑战，传统运维管理方式难以适应5G空前庞大的网络规模、复杂的网络结构、激增的网络流量和多元化动态业务等新的需求，成为制约5G应用推广和效能提升的最大瓶颈。人工智能近年来发展迅猛，在许多传统行业成功应用。将人工智能应用于5G网络，可以有效提升网络的自动化、自主化程度，使过去的“傻瓜式”网络逐步向“智能化”的自动运行网络演进，为5G的商业化部署和更新

转载记录：当所做超分辨的图像没有特殊需求或行业背景，图像没有规律时，可以不用自己训练模型，下载调用封装好的模型，即可实现图像超分辨率重建效果。以下文章来源于小白学视觉，作者小白小白学视觉哈工大在读博士的公众号，《从零学习OpenCV 4》的作者，面向初学者介绍计算机视觉基础知识、OpenCV使用、SLAM技术，深度学习等内容。OpenCV是一个非常强大的计算机视觉处理的工具库。很多小伙伴在入门图像

摘要：网络安全遇见机器学习，会摩擦出怎样的火花呢？相当多的文章已经描述了机器学习在网络安全的应用以及保护我们免受网络攻击的能力。尽管如此，我们仍然需要仔细研究人工智能（AI）、机器学习（ML）和深度学习（DL），它们到底能不能像炒作内容所说的无所不能。首先，我要让你失望了。我通过研究发现与图像识别或自然语言处理相比，机器学习永远不会成为网络安全的灵丹妙药，而这两个领域的机器学习应用正在蓬勃发展。因

梯度消失产生的主要原因有：一是使用了深层网络，二是采用了不合适的损失函数。（1）目前优化神经网络的方法都是基于BP，即根据损失函数计算的误差通过梯度反向传播的方式，指导深度网络权值的更新优化。其中将误差从末层往前传递的过程需要链式法则（Chain Rule）的帮助。而链式法则是一个连乘的形式，所以当层数越深的时候，梯度将以指数形式传播。梯度消失问题一般随着网络层数的增加会变得越来越明显。在根据损失

1超分辨率重建技术的研究背景与意义图像分辨率是一组用于评估图像中蕴含细节信息丰富程度的性能参数，包括时间分辨率、空间分辨率及色阶分辨率等，体现了成像系统实际所能反映物体细节信息的能力。相较于低分辨率图像，高分辨率图像通常包含更大的像素密度、更丰富的纹理细节及更高的可信赖度。但在实际上中，受采集设备与环境、网络传输介质与带宽、图像退化模型本身等诸多因素的约束，我们通常并不能直接得到具有边缘锐化、无成

SqueezeSegNetwork structure of SqueezeSegSqueezeSeg: Convolutional Neural Nets with Recurrent CRF for Real-Time Road-Object Segmentation from 3D LiDAR Point Cloud​arxiv.org简介：将激光点云沿圆柱面投影展开为深度图转化为2D图像处

传统数字化建模软件的局限无论是工业、科研还是生活娱乐中，越来越多的场合都离不开数字化三维几何建模技术。传统的数字化建模方法需要工程师熟练掌握并使用非常专业的建模软件，如：3DMAX，AutoCAD等。这些软件基于几何算法，便于建立形状规则或变形规律的几何模型；但对于不规则的复杂几何形状（如：人体组织）等就显得相形见绌。但无论是工业中精密部件的受力分析，还是医疗上3D打印骨组织替代物都需要高精度和还