- X(t)为随机过程，a(t)=E(X(t))为期望，Y(t)为另一随机过程 自相关函数的定义为： R(s,t)=E(X(s)*X(t)) 互相关函数的定义为： R(s,t)=E(X(s)*Y(t)) 事实上，在图象处理中，自相关和互相关函数的定义如下：设原函数是f(t)，则自相关函数定义为R(u)=f(t)*f(-t)，其中*表示卷积；设两个函数分别... X(t)为随机过程，a(t)=E(X(t))为期望，Y(t)为另一随机过程 自相关函数的定义为： R(s,t)=E(X(s)*X(t)) 互相关函数的定义为： R(s,t)=E(X(s)*Y(t)) 事实上，在图象处理中，自相关和互相关函数的定义如下：设原函数是f(t)，则自相关函数定义为R(u)=f(t)*f(-t)，其中*表示卷积；设两个函数分别...
- 'steps': [8, 16, 32],决定特征图大小 feature_maps images/steps # 'min_sizes': [[28, 35], [48, 70], [110, 170]], anchors尺寸 # 'steps': [8, 16, 32],决定特征图大小 images/steps  ... 'steps': [8, 16, 32],决定特征图大小 feature_maps images/steps # 'min_sizes': [[28, 35], [48, 70], [110, 170]], anchors尺寸 # 'steps': [8, 16, 32],决定特征图大小 images/steps  ...
- from collections import OrderedDict import timeimport torchimport torch.nn as nnimport torch.nn.functional as Ffrom torch.nn import init def _make_divisible(v, divisor, min_value=N... from collections import OrderedDict import timeimport torchimport torch.nn as nnimport torch.nn.functional as Ffrom torch.nn import init def _make_divisible(v, divisor, min_value=N...
- Curve-GCN是一种高效交互式图像标注方法，其性能优于Polygon-RNN++。在自动模式下运行时间为29.3ms，在交互模式下运行时间为2.6ms，比Polygon-RNN ++分别快10倍和100倍。 https://mp.weixin.qq.com/s?__biz=MzI5MDUyMDIxNA==&mid=... Curve-GCN是一种高效交互式图像标注方法，其性能优于Polygon-RNN++。在自动模式下运行时间为29.3ms，在交互模式下运行时间为2.6ms，比Polygon-RNN ++分别快10倍和100倍。 https://mp.weixin.qq.com/s?__biz=MzI5MDUyMDIxNA==&mid=...
- 原文： http://blog.sina.com.cn/s/blog_6df50e1a01019z95.html 1.使用模板处理图像相关概念 模板：矩阵方块，其数学含义是一种卷积运算。 卷积运算：可看作是加权求和的过程，使用到的图像区域中的每个... 原文： http://blog.sina.com.cn/s/blog_6df50e1a01019z95.html 1.使用模板处理图像相关概念 模板：矩阵方块，其数学含义是一种卷积运算。 卷积运算：可看作是加权求和的过程，使用到的图像区域中的每个...
- 3*3卷积核不降尺寸做法： self.conv_1x1_last = conv_bn_relu(nin=96, nout=96, kernel_size=3, stride=1, padding=1, bias=False) 降尺寸做法： conv_bn_relu(nin=80, nout=96, kernel_size=3, stride=2, pad... 3*3卷积核不降尺寸做法： self.conv_1x1_last = conv_bn_relu(nin=96, nout=96, kernel_size=3, stride=1, padding=1, bias=False) 降尺寸做法： conv_bn_relu(nin=80, nout=96, kernel_size=3, stride=2, pad...
- VariFocalNet | IoU-aware同V-Focal Loss全面提升密集目标检测(附YOLOV5测试代码) 观察到，核心网络是resnet50，resnet101 如果推理报错，参考： https://github.com/hyz-xmaster/VarifocalNet/issues/1 准确地对大量候选检测器进行排名是高性能密集目标检测器的关键。尽管... VariFocalNet | IoU-aware同V-Focal Loss全面提升密集目标检测(附YOLOV5测试代码) 观察到，核心网络是resnet50，resnet101 如果推理报错，参考： https://github.com/hyz-xmaster/VarifocalNet/issues/1 准确地对大量候选检测器进行排名是高性能密集目标检测器的关键。尽管...
- 论文笔记：https://zhuanlan.zhihu.com/p/33158548 论文链接：https://arxiv.org/abs/1711.07264 这篇文章从题目上看就一目了然:捍卫two-stage object detector. 我们知道Object detection分为两大门派： 一类是two-stagede... 论文笔记：https://zhuanlan.zhihu.com/p/33158548 论文链接：https://arxiv.org/abs/1711.07264 这篇文章从题目上看就一目了然:捍卫two-stage object detector. 我们知道Object detection分为两大门派： 一类是two-stagede...
- 本文是对我们CVPR 2021被接收的文章 Involution: Inverting the Inherence of Convolution for Visual Recognition的解读，同时也分享一些我们对网络结构设计（CNN和Transformer）的理解。 这篇工作主要是我和SENet的作者胡杰一起完成的，也非常感谢HKUST的两位导师@陈启... 本文是对我们CVPR 2021被接收的文章 Involution: Inverting the Inherence of Convolution for Visual Recognition的解读，同时也分享一些我们对网络结构设计（CNN和Transformer）的理解。 这篇工作主要是我和SENet的作者胡杰一起完成的，也非常感谢HKUST的两位导师@陈启...
- 超越卷积、自注意力机制：强大的神经网络新算子involution Image Classification on ImageNet Model Params(M) FLOPs(G) Top-1 (%) Top-5 (%) Config Download RedNet-26 9.23(32.8%↓) 1.73(29.2%↓) ... 超越卷积、自注意力机制：强大的神经网络新算子involution Image Classification on ImageNet Model Params(M) FLOPs(G) Top-1 (%) Top-5 (%) Config Download RedNet-26 9.23(32.8%↓) 1.73(29.2%↓) ...
- 11年it研发经验，从一个会计转行为算法工程师，学过C#，c++，java，android，php，go，js，python，CNN神经网络，四千多篇博文，三千多篇原创，只为与你分享，共同成长，一起进步，关注我，给你分享更多干货知识! 谷歌最新提出无需卷积、注意力 ，纯MLP构成的视觉架构 论文链接：https://arxiv.org/pdf/2105.01601.pdf... 11年it研发经验，从一个会计转行为算法工程师，学过C#，c++，java，android，php，go，js，python，CNN神经网络，四千多篇博文，三千多篇原创，只为与你分享，共同成长，一起进步，关注我，给你分享更多干货知识! 谷歌最新提出无需卷积、注意力 ，纯MLP构成的视觉架构 论文链接：https://arxiv.org/pdf/2105.01601.pdf...
- 这个有与训练，3年前： https://github.com/meteorshowers/hed-pytorch 5年前：有模型 https://github.com/s9xie/hed 这个有与训练，3年前： https://github.com/meteorshowers/hed-pytorch 5年前：有模型 https://github.com/s9xie/hed
- 原文：http://www.cnblogs.com/ybjourney/p/4702562.html 机器学习（一）——K-近邻（KNN）算法 最近在看《机器学习实战》这本书，因为自己本身很想深入的了解机器学习算法，加之想学python，就在朋友的推荐之下选择了这本书进行学习。 一 . K... 原文：http://www.cnblogs.com/ybjourney/p/4702562.html 机器学习（一）——K-近邻（KNN）算法 最近在看《机器学习实战》这本书，因为自己本身很想深入的了解机器学习算法，加之想学python，就在朋友的推荐之下选择了这本书进行学习。 一 . K...
- Keras中提供了一个神经网络可视化的函数plot，并可以将可视化结果保存在本地。plot使用方法如下： from keras.utils.visualize_util import plotplot(model, to_file='model.png') 注：笔者使用的Keras版本是1.0.6 不过这项功能依赖于graphviz模块与pydot模块，... Keras中提供了一个神经网络可视化的函数plot，并可以将可视化结果保存在本地。plot使用方法如下： from keras.utils.visualize_util import plotplot(model, to_file='model.png') 注：笔者使用的Keras版本是1.0.6 不过这项功能依赖于graphviz模块与pydot模块，...
- 有监督机器学习方法可以分为生成方法和判别方法（常见的生成方法有混合高斯模型、朴素贝叶斯法和隐形马尔科夫模型等，常见的判别方法有SVM、LR等），生成方法学习出的是生成模型，判别方法学习出的是判别模型。 HMM 是生成模型，因为它对状态序列本身的分布 P(X) 和给定状态后观测值的分布 P(Y|X) 都进行了建模。 DNN 是判别模型，因为它直... 有监督机器学习方法可以分为生成方法和判别方法（常见的生成方法有混合高斯模型、朴素贝叶斯法和隐形马尔科夫模型等，常见的判别方法有SVM、LR等），生成方法学习出的是生成模型，判别方法学习出的是判别模型。 HMM 是生成模型，因为它对状态序列本身的分布 P(X) 和给定状态后观测值的分布 P(Y|X) 都进行了建模。 DNN 是判别模型，因为它直...
上滑加载中
推荐直播
-
香橙派AIpro的远程推理框架与实验案例2025/07/04 周五 19:00-20:00
郝家胜 -华为开发者布道师-高校教师
AiR推理框架创新采用将模型推理与模型应用相分离的机制，把香橙派封装为AI推理黑盒服务，构建了分布式远程推理框架，并提供多种输入模态、多种输出方式以及多线程支持的高度复用框架，解决了开发板环境配置复杂上手困难、缺乏可视化体验和资源稀缺课程受限等痛点问题，真正做到开箱即用，并支持多种笔记本电脑环境、多种不同编程语言，10行代码即可体验图像分割迁移案例。
回顾中 -
鸿蒙端云一体化应用开发2025/07/10 周四 19:00-20:00
倪红军 华为开发者布道师-高校教师
基于鸿蒙平台终端设备的应用场景越来越多、使用范围越来越广。本课程以云数据库服务为例，介绍云侧项目应用的创建、新建对象类型、新增存储区及向对象类型中添加数据对象的方法，端侧（HarmonyOS平台）一体化工程项目的创建、云数据资源的关联方法及对云侧数据的增删改查等操作方法，为开发端云一体化应用打下坚实基础。
即将直播
热门标签