- 关于声学模型，主要有两个问题，分别是特征向量序列的可变长和音频信号的丰富变化性。可变长特征向量序列问题在学术上通常有动态时间规划（Dynamic Time Warping, DTW）和隐马尔科夫模型（Hidden Markov Model, HMM）方法来解决。而音频信号的丰富变化性是由说话人的各种复杂特性或者说话风格与语速、环境噪声、信道干扰、方言差异等因素引起的。声学模型需要足够的鲁棒性... 关于声学模型，主要有两个问题，分别是特征向量序列的可变长和音频信号的丰富变化性。可变长特征向量序列问题在学术上通常有动态时间规划（Dynamic Time Warping, DTW）和隐马尔科夫模型（Hidden Markov Model, HMM）方法来解决。而音频信号的丰富变化性是由说话人的各种复杂特性或者说话风格与语速、环境噪声、信道干扰、方言差异等因素引起的。声学模型需要足够的鲁棒性...
- 本文([PeriodicMove: shift-aware human mobility recovery with graph neural network])是由华为云数据库创新Lab联合电子科技大学数据与智能实验室发表在顶会CIKM'21的文章 本文([PeriodicMove: shift-aware human mobility recovery with graph neural network])是由华为云数据库创新Lab联合电子科技大学数据与智能实验室发表在顶会CIKM'21的文章
- 针对ViT现状，分析ViT尚存问题和相对应的解决方案，和相关论文idea汇总 针对ViT现状，分析ViT尚存问题和相对应的解决方案，和相关论文idea汇总
- 论文概述 Abstract将YOLO检测器切换到无锚点的方式，并运用了其他先进的检测技术，即解耦头和领先的标签分配策略SimOTA，以实现SOTA。 1. Introduction随着物体检测的发展，YOLO系列始终追求实时应用的最佳速度和准确性权衡。他们提取了当时可用的最先进的检测技术，并优化了最佳实践的实现。目前，YOLOv5 [7]在COCO上的AP为48.2%，为13.7 ms.1... 论文概述 Abstract将YOLO检测器切换到无锚点的方式，并运用了其他先进的检测技术，即解耦头和领先的标签分配策略SimOTA，以实现SOTA。 1. Introduction随着物体检测的发展，YOLO系列始终追求实时应用的最佳速度和准确性权衡。他们提取了当时可用的最先进的检测技术，并优化了最佳实践的实现。目前，YOLOv5 [7]在COCO上的AP为48.2%，为13.7 ms.1...
- 前言Faster R-CNN 的亮点是使用RPN来提取候选框；RPN全称是Region Proposal Network，也可理解为区域生成网络，或区域候选网络；它是用来提取候选框的。RPN特点是耗时少。Faster R-CNN是“RCNN系列算法”的杰出产物，也是two-stage中经典的物体检测算法。two-stage的过程是：第一阶段先找出图片中待检测物体的anchor矩形框。（对背景... 前言Faster R-CNN 的亮点是使用RPN来提取候选框；RPN全称是Region Proposal Network，也可理解为区域生成网络，或区域候选网络；它是用来提取候选框的。RPN特点是耗时少。Faster R-CNN是“RCNN系列算法”的杰出产物，也是two-stage中经典的物体检测算法。two-stage的过程是：第一阶段先找出图片中待检测物体的anchor矩形框。（对背景...
- 从本篇文章开始，作者正式开始研究Python深度学习、神经网络及人工智能相关知识。第一篇文章主要讲解神经网络基础概念，同时讲解TensorFlow2.0的安装过程及基础用法，主要结合作者之前的博客、AI经验和相关视频介绍，后面随着深入会讲解具体的项目及应用。基础性文章，希望对您有所帮助，同时自己也是人工智能的菜鸟，希望大家能与我在这一笔一划的博客中成长起来。 从本篇文章开始，作者正式开始研究Python深度学习、神经网络及人工智能相关知识。第一篇文章主要讲解神经网络基础概念，同时讲解TensorFlow2.0的安装过程及基础用法，主要结合作者之前的博客、AI经验和相关视频介绍，后面随着深入会讲解具体的项目及应用。基础性文章，希望对您有所帮助，同时自己也是人工智能的菜鸟，希望大家能与我在这一笔一划的博客中成长起来。
- 【昇腾CANN训练营第二期】【应用营】高玩赛作业实操 【昇腾CANN训练营第二期】【应用营】高玩赛作业实操
- 神经网络是存在于人脑中的生物神经网络的人工表示。人工神经网络是由深度学习模型结合而成的框架，已经被证明越来越有效和准确。 神经网络是存在于人脑中的生物神经网络的人工表示。人工神经网络是由深度学习模型结合而成的框架，已经被证明越来越有效和准确。
- HiLens，久违了！ HiLens，久违了！
- 【模型营】第三周作业实操 【模型营】第三周作业实操
- 【昇腾CANN训练营第二期】【模型营】第二周作业实操（下） 【昇腾CANN训练营第二期】【模型营】第二周作业实操（下）
- 【昇腾CANN训练营第二期】【模型营】第二周作业实操（上） 【昇腾CANN训练营第二期】【模型营】第二周作业实操（上）
- 【昇腾CANN训练营第二期】【应用营】第三周作业实操 【昇腾CANN训练营第二期】【应用营】第三周作业实操
- （略过前面的发展趋势介绍，请助教看视频）深度学习的三个步骤Step1：神经网络（Neural network）Step2：模型评估（Goodness of function）Step3：选择最优函数（Pick best function）Step1：神经网络神经网络也可以有很多不同的连接方式，这样就会产生不同的结构（structure）在这个神经网络里面，我们有很多逻辑回归函数，其中每个逻辑... （略过前面的发展趋势介绍，请助教看视频）深度学习的三个步骤Step1：神经网络（Neural network）Step2：模型评估（Goodness of function）Step3：选择最优函数（Pick best function）Step1：神经网络神经网络也可以有很多不同的连接方式，这样就会产生不同的结构（structure）在这个神经网络里面，我们有很多逻辑回归函数，其中每个逻辑...
- 【知识篇】张量的理解———从坐标系角度切入理解：引入空间直角坐标系:i.明确基向量和分量的概念:基向量：x、y、z轴方向上的单位向量；分量：x、y、z方向上的长度。例：在空间直角坐标系中，有一个向量（4，3，0），基向量设为I、j、k,分量为4、3、0（可以把分量理解为数字）ii.张量的定义张量是基向量与分量的组合，是一种表示物理量的方式。0阶张量即标量；1阶张量即向量，因为向量的分量由一种... 【知识篇】张量的理解———从坐标系角度切入理解：引入空间直角坐标系:i.明确基向量和分量的概念:基向量：x、y、z轴方向上的单位向量；分量：x、y、z方向上的长度。例：在空间直角坐标系中，有一个向量（4，3，0），基向量设为I、j、k,分量为4、3、0（可以把分量理解为数字）ii.张量的定义张量是基向量与分量的组合，是一种表示物理量的方式。0阶张量即标量；1阶张量即向量，因为向量的分量由一种...
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