# beginning2023年可谓是人工智能浪潮翻涌的一年,AI在各个领域遍地开花。以我最熟悉的工业为例,深度学习也在其中起着重要作用。不知道小伙伴们熟不熟悉工业领域的缺陷检测腻?🧐🧐🧐今天就以钢轨表面缺陷为例,和大家唠唠基于深度学习的钢轨表面伤损细粒度图像识别与目标检测,***总结一下工业缺陷检测流程***,包括从最开始的数据标注,中间的算法原理,再到最后的落地应用。无论你是搞实际项目or发论文or开阔视野,相信都会有所收获...
为大家详细介绍我是如何使用深度学习与视频分析技术构建项目的。# 项目细节## 需求分析这可能是一个与本文主题关联不大的模块,为了能让读者清楚了解项目背景,就简单总结几点项目需求。首先在功能方面,系统大致需要能解码视频并提取关键帧用于人脸检测和行为识别,并且要能展示分析结果,包括标注人脸和行为,还能够实时报警。系统性能方面,要在实时场景下对大量视频数据进行处理和分析,所以需要有高效的算法和硬件支持,简而言...
# 📑前言> 对大模型的简单理解:有着大量数据进行的深度学习或机器学习的模型,这些数据可以通过训练过程自动调整以捕获输入数据中的复杂关系。这类模型通常具有较深的网络结构和较多的神经元,以增加模型的表示能力... **上海人工智能实验室-书生通用**- **腾讯-混元**## 2.2国外大模型- **ChatGPT** **Google**- **LaMDA**- **PaLM**- **mT5**- **Deepmind**- **Gopher**- **Chinchilla**- **Sp...
**边缘ML:** 是指机器学习在不处于核心数据中心的,企业级计算机/设备中的应用。边缘设备包括服务器机房,现场服务器,以及位于各个地区以加快响应速度为目的的小型数据中心。云端和边缘端的ML 已经通过3年多的科普,广为大众所接受。今天我们看到的人脸门禁、摄像头行为识别、智能音箱...... 绝大部分场景都属于这两类。 以 TensorFlow & TF lite 等开源深度学习框架为基础的大量应用,推动了智能在云端和边缘端应用。然而,更加具有...
随着机器学习和深度学习的发展,AI技术也在不断地推陈出新,也融入到了在我的工作和生活中,今年以来我的主要研究方向便是人工智能的方向。 # AI技术 近年来,基于AI的预训练技术在文档理解任务方面取得了显着进展,在文档人工智能社区中掀起了波澜。预训练的文档AI模型可以解析扫描表格、工作文档和学术论文等各种文档的布局并提取出最关键信息,这对于工作应用和学术研究非常重要。基于AI的自监督预训练技术由于其重建预训练...
其中深度学习模型不断完善、开源模式的推动、大模型探索商业化的可能,成为 AIGC 发展的“加速度”。# “智能诗歌生成”的AIGC项目我曾参与了一个名为“智能诗歌生成”的AIGC项目。该项目的主要目标是利用人工智... 以便于后续的特征提取和模型训练。**特征提取:** 我们使用词嵌入技术将诗歌中的每个词表示为一个高维向量,这些向量能够捕捉到词语之间的语义关系。然后,我们通过计算这些向量的相似度来提取诗歌的特征。**模型...
深度学习方法能以更方便的方式对特征进行提取,在图像分类、人工智能等领域取得了良好的效果。近些年来,一些研究人员开始将深度学习方法应用于癫痫发作检测领域。# 方法## 1融合GCN和transformer的癫痫自动检测... 进行训练,将训练模型对EEG数据进行检测,实现癫痫检测。# 结论通过对AI中深度学习的学习,可以使我们解决一些人工难以解决或者比较浪费时间的问题有更好的解决方法,帮我们节约时间,并且推动社会的进步和发展。[...
概述GPU计算型实例基于多种NVIDIA Tesla显卡,在各类推理场景及分子计算场景下提供高性价比。适用于深度学习及AI推理训练,如图像处理、语音识别等人工智能算法的训练应用。 说明 您可以在价格计算器页面,查看实例的价格及其配置项(系统盘、数据盘、公网IP等)费用。价格计算器为参考价格,具体请以云服务器控制台实际下单结果为准。 如果您发现实例规格不能满足或者超出应用需求时,您可以随时变更实例规格(升降配)或使用其他类型的实...
概述GPU计算型实例基于多种NVIDIA Tesla显卡,在各类推理场景及分子计算场景下提供高性价比。适用于深度学习及AI推理训练,如图像处理、语音识别等人工智能算法的训练应用。 说明 您可以在价格计算器页面,查看实例的价格及其配置项(系统盘、数据盘、公网IP等)费用。价格计算器为参考价格,具体请以云服务器控制台实际下单结果为准。 如果您发现实例规格不能满足或者超出应用需求时,您可以随时变更实例规格(升降配)或使用其他类型的实...
我们课下也经常一起学习探讨,共同进步。下面大致总结项目中的一些知识。 我们的设计思路是,第一步先进行数据收集和与处理工作。 影像识别一般就包括一些医学影像,比如X射线,MRI等等影像数据,这些数据很好获得,我们小组是去学校附近的医院进行沟通,获得了一些废弃的影像数据等,或者从网络拉去也可,方式多样。收集数据后进行数据的标注,比如疾病部位或是异常情况,作为深度学习算法的训练标签。之后就是预处理工作,这里设计的...
基于有标记数据的监督学习是研究的重点,例如随着深度学习蓬勃发展而产生的的神经网络架构:前馈神经网络(FNN)、卷积神经网络(CNN)和循环神经网络(RNN)。但由于人工标注数据量比较少以及对没有标签的数据进行人工标注的成本比较高,所以如何更加科学的利用**大量未标记数据**以及**标记数据**则成为了新一波研究的热潮。前者则孕育出了预训练模型、提示学习(Prompt Learning)等细分领域,而后者则孕育出了数据增强等细分领域。 ...
**我的技术回顾与展望-2021 年我的NLP技术应用“巡径”之旅******# **开启文本挖掘的AI探索**随着建筑数字化概念的兴起,我所研究领域之一:建筑设施智能化应用今年来也开始从基础建筑信息化建设向基于人工智... 基于开源平台进行深度的开发和定制形成一个符合自己要求的AI应用平台。二是,基于成熟商业化AI平台上端侧应用开发实现企业AI应用的落地。在考察国外的Pytorch、tesorflow和国内PaddlePaddle、Volcengine等AI框架后,...
(大幅降低人工数量 )这个关键障碍就是:**过往训练我们要训练一个深度学习模型,必须使用大规模的标记好的数据集合(Data set)来训练**,这些数据集合 需要人工标注,成本极高 。打个比方,就是机器学习需要**大量教材**,大量输入、输出的样本,让机器去学习、训练。这个**教材需要量身制定,而且需求数量极大**。![](https://9-czcpuv7lfv4jp0lcao5889ot-o252lbzu-s8kg-1258345986.cos.ap-chengdu.myqcloud.com/typora-fZ8n4A2022...