深度学习通道
社区干货
基于深度学习的探地雷达图像去杂波|社区征文
随着深度学习以及大模型的普及,人们开始尝试将其应用到探地雷达图像去杂波任务中。 **基于深度学习的探地雷达图像去杂波**凭借强大的特征表示和学习能力,基于深度学习的方法已被广泛用于解决探地雷达杂波去... 根据任务所需的通道比例来调节参数,使得模块可以自适应的调节残差块内卷积核大小,从而更好地拟合非线性变化以达到有效去除 GPR 图像中杂波的目的。同时弹性残差块的加入能够在在几乎不影响网络时间复杂度的情况下更...
基于深度学习的工业缺陷检测详解——从0到1|社区征文
# 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... concat代表沿通道方向堆叠feature map;紫色的conv代表1×1卷积操作。
特惠活动
深度学习通道-优选内容
深度学习通道-相关内容
个人年度总结:深度学习与AIGC技术在智能诗歌生成中的应|社区征文
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能技术生成具有特定主题和风格的诗歌。以下是我在该项目中的实践经验和内容分享:**数据收集与预处理:** 首先,我们收集了大量的古代诗歌和现代诗歌数据,并对这些数据进行清洗和预处理,包括去除标点符号、停用词、分...
边缘智变:深度学习引领下的新一代计算范式|社区征文
infoq原文链接:[边缘智变:深度学习引领下的新一代计算范式 (infoq.cn)](https://xie.infoq.cn/article/39f62d756a0249615ba07102e)
使用pytorch自己构建网络模型总结|社区征文
> 🍊作者简介:[秃头小苏](https://juejin.cn/user/1359414174686455),致力于用最通俗的语言描述问题>> 🍊专栏推荐:[深度学习网络原理与实战](https://juejin.cn/column/7138749154150809637)>> 🍊近期目标:写好... #将图片转化为RGB三通道图片,有的图片有4个通道(多了个透明度)transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)), torchvis...
降噪/去混响/去啸叫-V3版本
简介 降噪 Audio Noise Suppression(ANS)通过深度学习的方式来实现不同场景的噪声消除,比传统方式更智能、更干净地过滤噪声,并尽可能地保留人声或者音乐背景。 啸叫抑制:(Howling Suppression),声源与扩音设备之间... 每次输入音频的每个通道最大的采样点数,算法需要根据此字段提前分配内存等,建议接近实际的处理大小。 numChannel int 入参,音频的通道数 modelBuffer const char* 入参,模型的内容 modelLen int 入参,模型的内容的...
大模型:深度学习之旅与未来趋势|社区征文
# 前言从去年chatGPT爆火,到国内千模大战,关乎大模型的热度已经沸反盈天。但大模型出现的价值、意义似乎与实际使用效果存在鲜明的对比,特别是日常工作中,最多让大模型帮助生成一些不痛不痒、凑字数的内容,难易触达工作的核心环节。所以趁着国庆假期,我试图用国产大模型来协助完成一篇文章,从“知识生产”这个大模型擅长的角度来验证大模型能否更深度提升个人工作效率。通过深度学习的方式来实现不同场景的噪声消除,比传统方式更智能、更干净地过滤噪声,并尽可能地保留人声或者音乐背景。 啸叫抑制:(Howling Suppression),声源与扩音设备之间... ava: SAMICoreIdentify_DENOISE_V2_DEREVERB44kOC: SAMICore_Identify_DENOISE_V2 语音场景 unet_denoise_44k_dereverb_model_v1.0.model 44.1k模型 v2支持格式 支持格式 采样率 16000/24000/44100/48000 通道...
AI与深度学习的一年 | 社区征文
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的癫痫自动检测模型基于GCN和transformer的癫痫自动检测模型,该网络模型处理过程中可以分成三个步骤:特征提取、重构和分类。在特征提取阶段,通过GCN对输入的脑电信号进行去噪并进行特征提取处理;特征重构阶段将处理后的数据作为特...
字节跳动 EB 级 Iceberg 数据湖的机器学习应用与优化
> 深度学习的模型规模越来越庞大,其训练数据量级也成倍增长,这对海量训练数据的存储方案也提出了更高的要求:怎样更高性能地读取训练样本、不使数据读取成为模型训练的瓶颈,怎样更高效地支持特征工程、更便捷地增删和回填特征。本文将介绍字节跳动如何通过 Iceberg 数据湖支持 EB 级机器学习样本存储,实现高性能特征读取和高效特征调研、特征工程加速模型迭代。**相关产品**:https://www.volcengine.com/product/flink # 机...
ICASSP 2023 | 解密实时通话中基于 AI 的一些语音增强技术
语音增强技术正从传统的基于统计学习的方案向基于深度学习的方案融合演进,利用 AI 技术,可以在语音降噪、回声消除、干扰人声消除等方面实现更好的语音增强效果,为用户提供更舒适的通话体验。作为语音信号处理研究... 并将其和单通道语音增强模型-频带分割循环神经网络(Band-split Recurrent Neural Network,BSRNN) 融合,构建特定人语音增强系统来作为回声消除模型的后处理模块,并对两个模型的级联进行优化。## 模型框架结构##...
