基于深度学习的目标设计与问题设计
社区干货
基于深度学习的工业缺陷检测详解——从0到1|社区征文
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... 数据决定了问题的上限,而算法只是在不断地逼近这个上限。所以数据集是特别特别重要滴!!!尤其对于工业领域的缺陷瑕疵检测,一个高质量的数据集就等于成功了一半。那工业领域的数据集是怎样获取滴腻?一般是人工或机...
基于深度学习的探地雷达图像去杂波|社区征文
有的杂波甚至掩盖了目标相应,严重影响了目标检测算法的性能。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... 在此基础上的弹性残差 BiSeNetV2 网络则可以很好的解决这个问题。该网络结合了全局上下文信息和局部特征信息,通过高效的多尺度融合策略提高了 GPR 图像的分割鲁棒性、准确性以及计算效率。弹性残差模块引入多项式...
大模型和深度学习的工作总结|社区征文
时代也在飞速的发展和进步,越来越多的技术:深度学习、AI、大模型、虚拟现实VR等慢慢进入我们的生活。**基于大模型的图像去雾**在今年这个阶段,我的主要工作是研究基于深度学习的图像去雾工作。随着现代工业文明... 饱和度低、细节丢失、颜色偏差等问题,严重影响对图像的分析,如分类、定位、检测、分割等。所以在现在,研究图像去雾对所有研究人员有重大的意义,如何有效地将模糊环境下的退化图像还原成清晰图像已经成为了一个重要...
大模型:深度学习之旅与未来趋势|社区征文
是值得进一步探索的问题。此外,现有的工作通常针对通用的深度神经网络设计优化策略,如何结合 Transformer 大模型的特性做针对性的优化有待进一步研究。# 项目分享下面我给大家分享一...
特惠活动
基于深度学习的目标设计与问题设计-优选内容
基于深度学习的目标设计与问题设计-相关内容
边缘计算技术:深度学习与人工智能的融合|社区征文
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... 目标y x = torch.randn(10, 10) y = torch.randn(10, 1) # 前向传播 output = model(x) # 计算损失 loss = nn.MSELoss()(output, y) # 反向传播和...
AI与深度学习的一年 | 社区征文
及时和准确的癫痫诊断对患者而言是至关重要的。脑电(electroencephalogram,EEG)是根据放置在脑部的颅内电极或头皮表面电极采集获得的,表示大脑中神经元放电活动,这些活动包含了大脑的实时信息。深度学习方法能以更... 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。[AI与深度学习的一年 (infoq.cn)](https://xie.infoq.cn/article/8...
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... 本篇文章主要总结神经网络的完整的模型训练套路,希望通过本篇文章可以让你对网络训练步骤有一个清晰的认识。 本次内容用到的数据集是[CIFAR10](https://www.cs.toronto.edu/~kriz/cifar.html),使用这个...
AI技术进展和总结|社区征文
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... 基于AI的自监督预训练技术由于其重建预训练目标的成功应用,在深度学习方面取得了快速进展。 最近提出的基于AI的LayoutLMv3模型非常成功,LayoutLMv3 是文档 AI 中第一个多模态模型,不依赖于预训练的卷积神经网络...
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... 这些进展为自然语言处理和其他相关领域的研究者们带来了新的机遇和挑战。 通过前面提到的这些趋势,我们也可以看出当前需要解决的一些问题及为实现降本增效目标需要调整的地方。 首先,需要**优化** **训...
“柯南领结”变成现实,火山引擎发布新一代实时AI变声方案
AI变声是基于深度学习的声音转换(Voice Conversion)技术来实现的,可以实现任意发音人的音色定制,极大程度保留原始音色的特点。 在CPU单核上就能做到极低延迟的实时输入实时变声,就像“柯南领结”一样; 能够高度还原输入语音的抑扬顿挫、情感、口音,甚至连轻微的呼吸、咳嗽声也能还原; 媲美真人的高保真音质,以及高度的目标音色一致性。 从语音合成到声音转换:探索多元声音玩法语音合成作为人工智能的一个重要分支,旨在通过输入...
与 AI 相伴的一年|社区征文
# 背景介绍时光飞逝,不知不觉 2023 年,这一年是与 AI 相伴的一年,随着对 AI 的深入了解,才明白原来 AI 已经深入在我们在生活的方方面面,其中机器学习和深度学习更是在科研任务中展现了不同的作用,使得我们可以用... 卷积层是神经网络中独特的网络机制,卷积目的是对图像进行特征提取,具有局部感知机制和权值共享的两个特性,因为卷积实质可以理解为一个滑动窗口(卷积核)翻转之后在特征图上滑动并进行加乘计算,因此具有局部感知机特...
如何用pytorch进行目标检测和跟踪
随着深度学习技术的不断发展,在图像识别领域的性能有了显著提高。不仅仅可以用来识别静态图像中的物体,还可以对视频中的物体进行实时的检测和跟踪,这里使用的是pytorch来进行模型的搭建以及物体的检测和跟踪。首先,要明确的是目标检测和跟踪的网络架构,一般会使用一个专门的检测模型来进行物体的检测,并生成检测结果,之后使用跟踪模型来进行物体位置的实时跟踪。对于检测模型,比较常用的是Faster-RCNN,它通过分类来检出图片中...
AI安全技术总结与展望| 社区征文
锁定目标、生成高逼真度的假视频等。人工智能内生安全主要包括:框架安全,如TensorFlow、Caffe、PyTorch等深度学习框架存在若干漏洞;数据安全,如数据丢失或者变形、噪声数据干扰人工智能研判结果;算法安全,如难以保证算法的正确性,对抗样本、自动驾驶中的安全事故等;模型安全,如模型窃取或者模型污染,从而植入后门。人工智能衍生安全主要指由于AI本身的缺陷或者脆弱性给其他领域带来安全问题,比如人工智能应用于黑产。# 2. AI安...
