- 今天我们谈谈AI经典问题之一——计算机视觉。深度学习在计算机视觉上的运用主要是卷积神经网络，必须强调的是卷积神经网络的应用并不仅仅局限于图像，在音频、视频方面也有不少的应用，甚至NLP中也有使用卷积神经网络的例子，所以说对AI从业者来说学习这些还是很有好处的。在这篇文章中，我们以Mask-RCNN[1]的发展历史为线索探讨计算机视觉问题中的图像分割问题以及物体检测，并最后简单讲解一些我在医学... 今天我们谈谈AI经典问题之一——计算机视觉。深度学习在计算机视觉上的运用主要是卷积神经网络，必须强调的是卷积神经网络的应用并不仅仅局限于图像，在音频、视频方面也有不少的应用，甚至NLP中也有使用卷积神经网络的例子，所以说对AI从业者来说学习这些还是很有好处的。在这篇文章中，我们以Mask-RCNN[1]的发展历史为线索探讨计算机视觉问题中的图像分割问题以及物体检测，并最后简单讲解一些我在医学...
- 这一篇，我只讲知识点。后续有精力会展开深度学习网络发展史~欢迎关注，求点赞求分享！ResNet深度残差学习网络，主要针对更深的神经网络训练效果不好的现象进行解决，核心观念为深层次表征信息是很多视觉任务的核心点。那么这是如何解决更深的神经网络训练效果不好的现象？答：采用了上述的(Residual Learning)残差学习提高信息流效率，下面便围绕ResNet展开。网络深度加深后，效果提升明显... 这一篇，我只讲知识点。后续有精力会展开深度学习网络发展史~欢迎关注，求点赞求分享！ResNet深度残差学习网络，主要针对更深的神经网络训练效果不好的现象进行解决，核心观念为深层次表征信息是很多视觉任务的核心点。那么这是如何解决更深的神经网络训练效果不好的现象？答：采用了上述的(Residual Learning)残差学习提高信息流效率，下面便围绕ResNet展开。网络深度加深后，效果提升明显...
- 今儿这一篇文章来谈谈目标分割那点事...首先，计算机视觉的三大任务：图像分类、目标检测、目标分割。前面两篇文章对分类和检测的模型做了一个相对详细的阐述，现在来了解下图像分割。图像分割也分为三种：普通分割：不同物体的像素区域分开语义分割：在普通分割的基础上，分类出每一块区域的语义(即不仅区分了还识别不同物体的名称)实例分割：实例就是对象，每一个抽象的具体化表达。在语义分割的基础上，给每个物体编... 今儿这一篇文章来谈谈目标分割那点事...首先，计算机视觉的三大任务：图像分类、目标检测、目标分割。前面两篇文章对分类和检测的模型做了一个相对详细的阐述，现在来了解下图像分割。图像分割也分为三种：普通分割：不同物体的像素区域分开语义分割：在普通分割的基础上，分类出每一块区域的语义(即不仅区分了还识别不同物体的名称)实例分割：实例就是对象，每一个抽象的具体化表达。在语义分割的基础上，给每个物体编...
- 如题目，这篇专栏介绍YoLo的1代到3代的模型以及SSD。基础概念首先一个非常重要的概念，one-stage与two-stagetwo-stage：基于区域提名的目标检测，将检测问题划分为两个阶段，首先产生候选区域，然后对其分类和位置精修。错误率低、漏识别率低但速度慢，不符合实时检测要求，以Faster-RCNN系列为代表。one-stage：基于端到端学习的目标检测，不需要生成候选区域，直... 如题目，这篇专栏介绍YoLo的1代到3代的模型以及SSD。基础概念首先一个非常重要的概念，one-stage与two-stagetwo-stage：基于区域提名的目标检测，将检测问题划分为两个阶段，首先产生候选区域，然后对其分类和位置精修。错误率低、漏识别率低但速度慢，不符合实时检测要求，以Faster-RCNN系列为代表。one-stage：基于端到端学习的目标检测，不需要生成候选区域，直...
- 算法模型专栏开始，力争用最通俗的说法来解释，参考各类资料暂时删去了损失函数的计算以及比较繁琐难懂的概念，如有错误理解之处望指出！首先给定几个概念，不熟悉卷积基本概念的暂且看下：基础概念：先来个全彩GoogleNet/Inception模型解释下1*1卷积的作用：增加非线性：相当于全连接层，加入激活函数后使得网络复杂性增加特征降维：控制卷积核数量达到通道数大小放缩空洞卷积：又称扩张卷积，引入扩... 算法模型专栏开始，力争用最通俗的说法来解释，参考各类资料暂时删去了损失函数的计算以及比较繁琐难懂的概念，如有错误理解之处望指出！首先给定几个概念，不熟悉卷积基本概念的暂且看下：基础概念：先来个全彩GoogleNet/Inception模型解释下1*1卷积的作用：增加非线性：相当于全连接层，加入激活函数后使得网络复杂性增加特征降维：控制卷积核数量达到通道数大小放缩空洞卷积：又称扩张卷积，引入扩...
- 最近一段时间在学习人脸识别的内容，自己整理了相关的学习笔记构成这篇博客，大致分为以下四个部分来总结：人脸问题概述 人脸数据集人脸检测算法人脸识别算法一.人脸问题概述 1.人脸识别，指利用分析比较人脸特征信息，包括人脸图像采集、人脸定位、人脸识别以及身份确认查找。人脸识别的困难主要是以下两点： a.所有人脸的结构都相似，大家都是一个脸蛋两个眼睛一个鼻子一张嘴。使用计算机来区分人脸个体存在... 最近一段时间在学习人脸识别的内容，自己整理了相关的学习笔记构成这篇博客，大致分为以下四个部分来总结：人脸问题概述 人脸数据集人脸检测算法人脸识别算法一.人脸问题概述 1.人脸识别，指利用分析比较人脸特征信息，包括人脸图像采集、人脸定位、人脸识别以及身份确认查找。人脸识别的困难主要是以下两点： a.所有人脸的结构都相似，大家都是一个脸蛋两个眼睛一个鼻子一张嘴。使用计算机来区分人脸个体存在...
- 你吃过牛角甜甜圈吗（cronuts）？ 这一被时代杂志称为“2013年25个最佳发明之一”的神奇美食，带着甜甜圈的可爱外貌与牛角面包的酥软内里，从美国纽约席卷全球。直到今天，世界各地的甜品店依然热衷于开发各种口味的cronuts，引得饕餮们纷纷自掏腰包。再看一眼圆圆胖胖的cronuts，各位擦擦口水回到正题，接下来，本文将介绍近年来引爆学术界的另一样“牛角甜甜圈”：Graph Convolu... 你吃过牛角甜甜圈吗（cronuts）？ 这一被时代杂志称为“2013年25个最佳发明之一”的神奇美食，带着甜甜圈的可爱外貌与牛角面包的酥软内里，从美国纽约席卷全球。直到今天，世界各地的甜品店依然热衷于开发各种口味的cronuts，引得饕餮们纷纷自掏腰包。再看一眼圆圆胖胖的cronuts，各位擦擦口水回到正题，接下来，本文将介绍近年来引爆学术界的另一样“牛角甜甜圈”：Graph Convolu...
- 在前两篇中，我们探索了IMDB电影评论的数据集，使用卷积神经网络来对IMDB电影评论进行分析，但多层感知机或者卷积神经网络都只能依照当前的状态进行识别，如果处理时间序列的问题，就需要使用LSTM模型了。 LSTM全名是Long Short-Term Memory，长短时记忆网络，可以用来处理时序数据，在自然语言处理和语音识别等领域应用广泛。和原始的循环神经网络RNN相比，LSTM解决了 在前两篇中，我们探索了IMDB电影评论的数据集，使用卷积神经网络来对IMDB电影评论进行分析，但多层感知机或者卷积神经网络都只能依照当前的状态进行识别，如果处理时间序列的问题，就需要使用LSTM模型了。 LSTM全名是Long Short-Term Memory，长短时记忆网络，可以用来处理时序数据，在自然语言处理和语音识别等领域应用广泛。和原始的循环神经网络RNN相比，LSTM解决了
- 知识图谱最早由谷歌发布，为了提升搜索引擎返回答案的质量以及用户查询的效率，在知识图谱辅助下，搜索引擎可以洞察到用户查询背后的一个语义信息，然后返回更为精准结构化的信息，从而更大可能的去满足用户的一个查询需求。 知识图谱最早由谷歌发布，为了提升搜索引擎返回答案的质量以及用户查询的效率，在知识图谱辅助下，搜索引擎可以洞察到用户查询背后的一个语义信息，然后返回更为精准结构化的信息，从而更大可能的去满足用户的一个查询需求。
- 神经网络也是机器学习的一种方法，是深度学习的基础。这是一种模拟生物神经系统实现人工智能的一种技术。要学习神经网络，就要从最经典的“M-P神经元模型”开始，这是神经网络乃至深度学习的基础，也是这个算法为什么被称为“神经网络”的原因。 神经网络也是机器学习的一种方法，是深度学习的基础。这是一种模拟生物神经系统实现人工智能的一种技术。要学习神经网络，就要从最经典的“M-P神经元模型”开始，这是神经网络乃至深度学习的基础，也是这个算法为什么被称为“神经网络”的原因。
- 带你0门槛体验AI超能力-人工智能开启新时代 人工智能简称为AI，是当下谈论最多的热门话题之一，准确来说是因为人工智能已经开始侵入到我们的生活中，所以说我们每天都能感受到人工智能给我们带来惊喜。比方说我们出门必备的智能手机，它的功能越来越强大，我们用它来人脸解锁，它的速度甚至比指纹还要快；最新出KUAN的AI美颜手机，彻底告别了自拍一分钟，P图1小时；语音助手可以帮助我们打电话、定闹钟；还有... 带你0门槛体验AI超能力-人工智能开启新时代 人工智能简称为AI，是当下谈论最多的热门话题之一，准确来说是因为人工智能已经开始侵入到我们的生活中，所以说我们每天都能感受到人工智能给我们带来惊喜。比方说我们出门必备的智能手机，它的功能越来越强大，我们用它来人脸解锁，它的速度甚至比指纹还要快；最新出KUAN的AI美颜手机，彻底告别了自拍一分钟，P图1小时；语音助手可以帮助我们打电话、定闹钟；还有...
- 基于物理学的模型是当今技术和科学的核心。近年来，基于数据驱动的机器学习模型开始提供可替代的方法，并在许多任务中优于纯物理学驱动模型。但是，基于数据驱动的模型训练需要大量的数据，而且它们的决策推理可能难以解释，而且泛化性能仍然是一个挑战。而如果我们可以使用我们对世界的知识（例如物理学）和数据一起来指导解空间的搜索，结果会怎样呢？ 基于物理学的模型是当今技术和科学的核心。近年来，基于数据驱动的机器学习模型开始提供可替代的方法，并在许多任务中优于纯物理学驱动模型。但是，基于数据驱动的模型训练需要大量的数据，而且它们的决策推理可能难以解释，而且泛化性能仍然是一个挑战。而如果我们可以使用我们对世界的知识（例如物理学）和数据一起来指导解空间的搜索，结果会怎样呢？
- Learning Efficient Convolutional Networks Through Network Slimming通过网络瘦身学习高效的卷积神经网络作者： Zhuang Liu, Jianguo Li, Zhiqiang Shen, Gao Huang单位： Intel， Tsinghua University， Fudan University， Cornell Univ... Learning Efficient Convolutional Networks Through Network Slimming通过网络瘦身学习高效的卷积神经网络作者： Zhuang Liu, Jianguo Li, Zhiqiang Shen, Gao Huang单位： Intel， Tsinghua University， Fudan University， Cornell Univ...
- 动机：通过在训练过程中改变模型结构， 可以减少模型参数量， 降低模型计算量， 加快模型推理速度模型通过训练学习到的权重不仅可以用来推理出最后结果， 也可以当作判断神经元重要性的指标。同时训练权重和要剪的神经元可以降低损失。现有方法SVD和量化。用池化层代替全连接层。其他剪枝方法。 如基于海森矩阵的方法。本文方法在数据集上对未压缩的模型进行完整的训练， 直至收敛。在经过完整训练的未压缩模型基础... 动机：通过在训练过程中改变模型结构， 可以减少模型参数量， 降低模型计算量， 加快模型推理速度模型通过训练学习到的权重不仅可以用来推理出最后结果， 也可以当作判断神经元重要性的指标。同时训练权重和要剪的神经元可以降低损失。现有方法SVD和量化。用池化层代替全连接层。其他剪枝方法。 如基于海森矩阵的方法。本文方法在数据集上对未压缩的模型进行完整的训练， 直至收敛。在经过完整训练的未压缩模型基础...
- Feature Denoising for Improving Adversarial Robustness这篇文章是facebook提出的再特征层次进行降噪，端到端的对抗训练方法。这种方法可以同时抵抗黑盒和白盒攻击。在Imagenet数据集中，在10轮迭代的PGD攻击下，之前最优的方法仅仅有27.9%的准确率，这种特征降噪的方法可以达到55.7%的准确率。在2000轮PGD攻击下，仍然具... Feature Denoising for Improving Adversarial Robustness这篇文章是facebook提出的再特征层次进行降噪，端到端的对抗训练方法。这种方法可以同时抵抗黑盒和白盒攻击。在Imagenet数据集中，在10轮迭代的PGD攻击下，之前最优的方法仅仅有27.9%的准确率，这种特征降噪的方法可以达到55.7%的准确率。在2000轮PGD攻击下，仍然具...
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