# 引言AI爆火的2023年,也是我开始学习AI的第一年,从后端领域向AI领域发展也是一个不错的选择。是什么原因让我觉得AI领域更值得钻研和发展呢?其实之前的文章也能体现出来,AI的爆火在于它确实能促进整个社会中大多人群的学习工作和生活的效率的提升,这是非常实用的。我要和大家分享的项目也是我学习AI过程中做的小项目,是利用视频分析技术结合深度学习构建的一个智能视频监控系统,用来进行实时监测和分析人员活动,提供监测识别和...
**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...
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。![picture.image](https://p3-volc-community-sign.byteimg.com/tos-cn-i-tlddhu82om/6d1fd6a54f3b4a5eb6aa88a652eb6ffc~tplv-tlddhu82om-image.image?=&rk3s=8031ce6d&x-expires=1716135674&x-signature=DgcgST1D9IudzzxR0CBqaM%2FLgwM%3D)# 项目分享下面我给大家分享一个基于预训练模型的命名实体识...
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)
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... 就在于底层卷积神经网络主要提取边缘、轮廓、颜色等底层重要的视觉特征,因此PAN它自底向上的增强就可以让顶层特征图也能充分共享到网络底层特征,提升大目标的检测效果。Head检测头用于回归输出预测框的位置和类别...
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。随着现代工业文明的发展进步,大气污染现象愈... **基于大模型的transformer**最近Transformer的文章看到让人眼花缭乱,但是精度和速度相较于神经网络而言还是差点意思,直到Swin Transformer的出现,让人感觉到了很大的震动,基于大模型的Swin Transformer可能是神...
人工智能的核心在于学习和适应。AI系统通过算法来模拟人类的学习过程,从而解决问题和执行任务。基于深度学习的神经网络也是如此,经过大量的训练才能够更准确的预测我们所需要的结果。例如在一个健康监测系统的项目中,如果我们实现一个AI模型的话,它能够通过分析用户提供的健康数据来预测疾病风险,大大提高了预防性医疗的效率。## 大模型:AI的新阶段大模型,如使用了很多最新的大模型的智能AI机器人,代表了AI的一个新阶段。这些...
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... 而近年来提出的轻量双向分割网络 BiSeNetV2 采用双路径架构分别处理表层空间细节和深层语义,然后对二者的特征数据进行融合不但可以充分利用多尺度和多层次的特征信息,提高模型的准确性和鲁棒性;而且凭借其双路径大...
训练一个机器学习模型可能需要数周甚至数月的时间。然而,如今基于更好的模型架构和高速显卡,我们可以在相对较短的时间内完成训练过程并进行 A/B 测试验证。另外,**特征工程** **越来越自动化、** **端到端** **化**。在传统的机器学习中,特征工程是非常重要的一环,通常需要大量的人工、时间和精力来处理数据和特征。而随着深度学习的发展,我们可以利用深度学习的特征提取能力,通过简单的数据处理步骤自动学习特征,甚至可以将过...
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...
大模型突破了过去深度学习的框架,构建了一套从思维链到思维算法的推理技术和强大的自然语言理解能力,可以让智能体拥有更强大的学习和迁移能力,从而可以创建更具智能性、更实用的智能体,开创了人机交互的新范式。... 因此原有的 AI-Agent 就衍化为当下的 LLM-based Agent(基于大模型的智能体)架构。LLM 并非就是大模型,而是大模型推理能力的一种展现,LLM-based-Agent 的架构原理还是挺复杂的,如果大家有兴趣,可以去看一下对应论...
随着人工智能核心技术如深度学习的成熟,后端开发也正从传统向智能化转变。它带来的不仅是自动化,更重要的是提升研发效率,降低运维成本。我相信在不久的将来,我们会看到越来越多AI技术被深入应用在后端各个环节中。... 基于深度学习的智能监控能24小时保障业务稳定运行。可以有效减少故障时间,提高系统可用性和用户体验,从而提升整体业务稳定性。# 应用趋势与未来发展在未来,AI技术会深入融合到后端开发的全流程中。它不仅可以参与...
从传统的基于先验假设的数字信号处理技术逐渐向基于深度学习的多模态音频处理技术过渡。而在字节跳动的业务中,多模态音频处理和声场还原对于高质量的内容创作也至关重要。## 智能音频信号处理在高质量音频采集中的应用智能音频信号处理主要有三个应用场景:- 音视频的录制创作- 直播- VoIP![image.png](https://p1-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/99654cbe21e049289da5ea12c98f2eb2~tplv-k3u1fbpfcp-5....