- @[toc] 摘要MixConv 的主要思想是在单个深度卷积操作中混合多个不同大小的内核，以便它可以轻松地从输入图像中捕获不同类型的模式。 大核来捕获高分辨率的特征(我理解是全局的特征)，又需要小核来捕获低分辨率的特征（我理解是图片的纹理特征），以提高模型的准确性和效率。网络结构如图:这种特征拼接和Inceptions 有很多相似的地方，但是卷积采用分组卷积的方式，所以参数的计算量比较小。想... @[toc] 摘要MixConv 的主要思想是在单个深度卷积操作中混合多个不同大小的内核，以便它可以轻松地从输入图像中捕获不同类型的模式。 大核来捕获高分辨率的特征(我理解是全局的特征)，又需要小核来捕获低分辨率的特征（我理解是图片的纹理特征），以提高模型的准确性和效率。网络结构如图:这种特征拼接和Inceptions 有很多相似的地方，但是卷积采用分组卷积的方式，所以参数的计算量比较小。想...
- 迁移学习(Transfer Learning)的背景、历史及学习人工智能培训网chinaai.org迁移学习的背景、历史及学习1、迁移学习提出背景 在机器学习、深度学习和数据挖掘的大多数任务中，我们都会假设training和inference时，采用的数据服从相同的分布（distribution）、来源于相同的特征空间（feature space）。但在现实应用中，这个假设很难成立，往... 迁移学习(Transfer Learning)的背景、历史及学习人工智能培训网chinaai.org迁移学习的背景、历史及学习1、迁移学习提出背景 在机器学习、深度学习和数据挖掘的大多数任务中，我们都会假设training和inference时，采用的数据服从相同的分布（distribution）、来源于相同的特征空间（feature space）。但在现实应用中，这个假设很难成立，往...
- Java OpenCV 图像处理26.0 HOG特征提取1 HOG 简述2 HOG 特征提取2.1 检测窗口2.2 归一化图像2.3 计算梯度2.4 统计直方图2.5 梯度直方图归一化2.6 得到HOG特征向量3 Java HOG 特征提取测试4 C# HOG 特征提取测试1 HOG 简述HOG是Histogram of Oriented Gradient的缩写，是一种在计算机视觉和图像处理... Java OpenCV 图像处理26.0 HOG特征提取1 HOG 简述2 HOG 特征提取2.1 检测窗口2.2 归一化图像2.3 计算梯度2.4 统计直方图2.5 梯度直方图归一化2.6 得到HOG特征向量3 Java HOG 特征提取测试4 C# HOG 特征提取测试1 HOG 简述HOG是Histogram of Oriented Gradient的缩写，是一种在计算机视觉和图像处理...
- 目录前言原理Sobel算子与Scharr算子Laplace算子自定义内核对图像进行卷积参考问下前言梯度简单来说就是求导，OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器： Sobel，Scharr 和 Laplacian。Sobel， Scharr 其实就是求一阶或二阶导数。 Scharr 是对 Sobel（使用小的卷积核求解求解梯度角度时）的优化。 Laplacian 是求二阶导... 目录前言原理Sobel算子与Scharr算子Laplace算子自定义内核对图像进行卷积参考问下前言梯度简单来说就是求导，OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器： Sobel，Scharr 和 Laplacian。Sobel， Scharr 其实就是求一阶或二阶导数。 Scharr 是对 Sobel（使用小的卷积核求解求解梯度角度时）的优化。 Laplacian 是求二阶导...
- 机器学习（五）——模型选择及调优 机器学习（五）——模型选择及调优
- @[toc] 配置文件参数介绍以 rec_chinese_lite_train_v2.0.yml 为例 Global字段用途默认值备注use_gpu设置代码是否在gpu运行true\epoch_num最大训练epoch数500\log_smooth_windowlog队列长度，每次打印输出队列里的中间值20\print_batch_step设置打印log间隔10\save_model_dir... @[toc] 配置文件参数介绍以 rec_chinese_lite_train_v2.0.yml 为例 Global字段用途默认值备注use_gpu设置代码是否在gpu运行true\epoch_num最大训练epoch数500\log_smooth_windowlog队列长度，每次打印输出队列里的中间值20\print_batch_step设置打印log间隔10\save_model_dir...
- 神经网络要优化一个非常复杂的非线性模型，而且基本没有全局最优解，初始化在其中扮演着非常重要的角色。 神经网络要优化一个非常复杂的非线性模型，而且基本没有全局最优解，初始化在其中扮演着非常重要的角色。
- MobileViT 结构上基本基于 MobileNet V2 而改进增加了 MobileViT block，但是同样能够实现一个不错的精度表现，文章实验部分大量的对比了 MobileViT 跟 CNN 和 ViT 模型的参数量和模型大小，不过值得一提的是在端侧除了模型大小以外，更加重视模型的性能，只能说这篇文章经典之处是开创了 CNN 融合 ViT 在端侧的研究。 MobileViT 结构上基本基于 MobileNet V2 而改进增加了 MobileViT block，但是同样能够实现一个不错的精度表现，文章实验部分大量的对比了 MobileViT 跟 CNN 和 ViT 模型的参数量和模型大小，不过值得一提的是在端侧除了模型大小以外，更加重视模型的性能，只能说这篇文章经典之处是开创了 CNN 融合 ViT 在端侧的研究。
- 在2021年3月份开始学习《深度学习应用开发》，写了一些学习笔记，大概学到8月份就停止了。这里先把一些学习笔记汇总一下。之前好像有听人介绍说吴明辉的课程很不错，最近刚好在中国大学APP上看到他的一个人工智能相关的课程，看了一下确实很不错。课程名称叫做《深度学习应用开发 基于tensorflow的实践》。是一个入门级别的课程，不需要人工智能的基础，不需要太多的数学知识，也不需要什么编程经验。我... 在2021年3月份开始学习《深度学习应用开发》，写了一些学习笔记，大概学到8月份就停止了。这里先把一些学习笔记汇总一下。之前好像有听人介绍说吴明辉的课程很不错，最近刚好在中国大学APP上看到他的一个人工智能相关的课程，看了一下确实很不错。课程名称叫做《深度学习应用开发 基于tensorflow的实践》。是一个入门级别的课程，不需要人工智能的基础，不需要太多的数学知识，也不需要什么编程经验。我...
- 在计算索引并生成高质量马赛克时，有一个明显的图像是异常值。我已经确定了图像，问题在于 B5 波段的值非常低，这使得索引具有非常高的值。编号：哥白尼/S2_SR/20200829T174909_20200829T175522_T13UFP代码：var imageCollection = ee.ImageCollection("COPERNICUS/S2_SR"), geometry =... 在计算索引并生成高质量马赛克时，有一个明显的图像是异常值。我已经确定了图像，问题在于 B5 波段的值非常低，这使得索引具有非常高的值。编号：哥白尼/S2_SR/20200829T174909_20200829T175522_T13UFP代码：var imageCollection = ee.ImageCollection("COPERNICUS/S2_SR"), geometry =...
- 训练检测口罩模型 下载项目https://github.com/Megvii-BaseDetection/YOLOX打开项目 安装环境pip install -r requirements.txt如果报错pip install -c esri pycocotools 第一步下载数据集在datasets文件夹下新建VOCdevkit文件夹并将下载的data文件夹放进去，并改名为VOC2020... 训练检测口罩模型 下载项目https://github.com/Megvii-BaseDetection/YOLOX打开项目 安装环境pip install -r requirements.txt如果报错pip install -c esri pycocotools 第一步下载数据集在datasets文件夹下新建VOCdevkit文件夹并将下载的data文件夹放进去，并改名为VOC2020...
- Lenet5训练模型 下载数据集可以提前下载也可以在线下载train_data = torchvision.datasets.MNIST(root='./',download=True,train=True,transform=transform)test_data = torchvision.datasets.MNIST(root='./',download=True,train=Fal... Lenet5训练模型 下载数据集可以提前下载也可以在线下载train_data = torchvision.datasets.MNIST(root='./',download=True,train=True,transform=transform)test_data = torchvision.datasets.MNIST(root='./',download=True,train=Fal...
- 使用cifar10数据集和alexnet网络模型训练分类模型 下载cifar10数据集 代码：import torchvisionimport torchtransform = torchvision.transforms.Compose( [torchvision.transforms.ToTensor(), torchvision.transforms.Resize(22... 使用cifar10数据集和alexnet网络模型训练分类模型 下载cifar10数据集 代码：import torchvisionimport torchtransform = torchvision.transforms.Compose( [torchvision.transforms.ToTensor(), torchvision.transforms.Resize(22...
- 实现基于CNN网络的手写字体识别 1、搭建CNN网络模型； 2、设计损失函数，选择优化函数； 3、实现模型训练与测试。 代码： 实现基于CNN网络的手写字体识别首先下载数据 1、搭建CNN网络模型；class CNN(nn.Module): def __init__(self): super(CNN,self).__init__() ''' ... 实现基于CNN网络的手写字体识别 1、搭建CNN网络模型； 2、设计损失函数，选择优化函数； 3、实现模型训练与测试。 代码： 实现基于CNN网络的手写字体识别首先下载数据 1、搭建CNN网络模型；class CNN(nn.Module): def __init__(self): super(CNN,self).__init__() ''' ...
- 设随机信号为x(i)，i=0, 1, …, N-1，为了便于对该信号展开分析，提取信号的时域和频域特征参数，如幅度差、均值、标准差、变异系数、四分位跨度、过零率、均值频率、峰值频率、中值频率、频率标准差、能量聚度、频率变异系数等，用来描述信号的特点，探讨特征参数随时间的变化规律，以及对信号进行分类和识别，是一项重要的基础性工作。 设随机信号为x(i)，i=0, 1, …, N-1，为了便于对该信号展开分析，提取信号的时域和频域特征参数，如幅度差、均值、标准差、变异系数、四分位跨度、过零率、均值频率、峰值频率、中值频率、频率标准差、能量聚度、频率变异系数等，用来描述信号的特点，探讨特征参数随时间的变化规律，以及对信号进行分类和识别，是一项重要的基础性工作。
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签