- 本文介绍了将LeNet的TensorFlow例程迁移到Ascend环境的方法 本文介绍了将LeNet的TensorFlow例程迁移到Ascend环境的方法
- 参加HDC.Cloud2021，为的是做一次技术朝圣。我一直对技术有一种迷信。小时候认为技术是改造世界的源动力。长大以后知道事情并没有这么简单，身处商业世界当中，或多或少领略到资本的力量，不过我依然坚信技术是改变世界的引擎。而华为，无疑已经是信息技术革命这部引擎的代名词，在我心目中更是封神的地位。有这样的一个近切体验以“开发者”为核心的技术大会，怎容错过？完美的参会体验对大会的第一印象是：规... 参加HDC.Cloud2021，为的是做一次技术朝圣。我一直对技术有一种迷信。小时候认为技术是改造世界的源动力。长大以后知道事情并没有这么简单，身处商业世界当中，或多或少领略到资本的力量，不过我依然坚信技术是改变世界的引擎。而华为，无疑已经是信息技术革命这部引擎的代名词，在我心目中更是封神的地位。有这样的一个近切体验以“开发者”为核心的技术大会，怎容错过？完美的参会体验对大会的第一印象是：规...
- 引言在之前的博文中，笔者分别介绍了基于传统几何技术路线（虽然包含深度学习图像检索，但不影响整体的传统框架）以及完全基于深度学习技术路线（端到端回归出6DoF位姿）的视觉定位方法。从实际使用情况来看，目前传统的技术路线往往能够得到更为准确的定位结果，这可能是因为完全依赖深度学习进行端到端回归的方案有时忽略了传统的视觉几何关系导致的。因此也有一系列的工作开始寻求二者的结合。今天介绍一篇2020... 引言在之前的博文中，笔者分别介绍了基于传统几何技术路线（虽然包含深度学习图像检索，但不影响整体的传统框架）以及完全基于深度学习技术路线（端到端回归出6DoF位姿）的视觉定位方法。从实际使用情况来看，目前传统的技术路线往往能够得到更为准确的定位结果，这可能是因为完全依赖深度学习进行端到端回归的方案有时忽略了传统的视觉几何关系导致的。因此也有一系列的工作开始寻求二者的结合。今天介绍一篇2020...
- 多模态机器学习旨在从多种模态建立一种模型，能够处理和关联多种模态的信息。考虑到数据的异构性，MMML（Multimodal Machine Learning）领域带来了许多独特的挑战，总体而言五种：表示、转化、对齐、融合、协同学习。 多模态机器学习旨在从多种模态建立一种模型，能够处理和关联多种模态的信息。考虑到数据的异构性，MMML（Multimodal Machine Learning）领域带来了许多独特的挑战，总体而言五种：表示、转化、对齐、融合、协同学习。
- 性能超越BigNas、Once-for-all。对于two-stages的NAS来说，搜索阶段关注的是位于准确性和推理效率的帕累托前沿的网络集合，而训练阶段并不是为了改进帕累托前沿而进行的，对每个网络候选对象都同等重要，fair的，希望搜索的帕累托前沿是被训练到的帕累托前沿，不然会有相关性系数导致的误差 性能超越BigNas、Once-for-all。对于two-stages的NAS来说，搜索阶段关注的是位于准确性和推理效率的帕累托前沿的网络集合，而训练阶段并不是为了改进帕累托前沿而进行的，对每个网络候选对象都同等重要，fair的，希望搜索的帕累托前沿是被训练到的帕累托前沿，不然会有相关性系数导致的误差
- 本文将从算法概述、工程实现、优化改进三个方面阐述如何实现一个实时、优雅、精确的视频人像抠图项目。 什么是抠图对于一张图I， 我们感兴趣的人像部分称为前景F，其余部分为背景B，则图像I可以视为F与B的加权融合：I=alpha∗F+(1−alpha)∗BI = alpha * F + (1 - alpha) * BI=alpha∗F+(1−alpha)∗B，而抠图任务就是找到合适的权重alpha... 本文将从算法概述、工程实现、优化改进三个方面阐述如何实现一个实时、优雅、精确的视频人像抠图项目。 什么是抠图对于一张图I， 我们感兴趣的人像部分称为前景F，其余部分为背景B，则图像I可以视为F与B的加权融合：I=alpha∗F+(1−alpha)∗BI = alpha * F + (1 - alpha) * BI=alpha∗F+(1−alpha)∗B，而抠图任务就是找到合适的权重alpha...
- 许多场景下异常检测，负样本很少或几乎没有，因此很难用检测、分类等算法解决。为解决该类问题，研究无负样本下异常检测。另外，图像变化差异小，缺陷变化大、种类多的数据也非常适合用此思路 许多场景下异常检测，负样本很少或几乎没有，因此很难用检测、分类等算法解决。为解决该类问题，研究无负样本下异常检测。另外，图像变化差异小，缺陷变化大、种类多的数据也非常适合用此思路
- 老谭生成器使用说明书 老谭生成器使用说明书
- Optimize by XYWH 定义 思路 匹配方法 优化公式 Q&A Optimize by Keypoint 定义 思路 Q&A 优化公式 整体训练&推理流程 Optimize by LRBT 定义 思路 Q&A Optimize by IoU 定义 GIoU DIoU Motivation Contributions Detail Optimize by uncertainty M... Optimize by XYWH 定义 思路 匹配方法 优化公式 Q&A Optimize by Keypoint 定义 思路 Q&A 优化公式 整体训练&推理流程 Optimize by LRBT 定义 思路 Q&A Optimize by IoU 定义 GIoU DIoU Motivation Contributions Detail Optimize by uncertainty M...
- 作者认为以前的NAS在sample layer的op的时候，都是独立的，没有考虑之前layer的采样情况，搜索阶段的进化算法只允许变异和交叉操作，没有考虑层间的关系，导致了次优结果。所以用Monte Carlo Tress(MCT)方法捕捉层间依赖，存储过往op采样和性能信息。 作者认为以前的NAS在sample layer的op的时候，都是独立的，没有考虑之前layer的采样情况，搜索阶段的进化算法只允许变异和交叉操作，没有考虑层间的关系，导致了次优结果。所以用Monte Carlo Tress(MCT)方法捕捉层间依赖，存储过往op采样和性能信息。
- Pattern-Exploiting Training（PET）的方法通过人工构建的模版与BERT的MLM模型结合，能够起到非常好的零样本、小样本乃至半监督学习效果。《GPT Understands, Too》提出了名为P-tuning的方法，成功地实现了模版的自动构建，通过模版从语言模型中抽取知识，完成零样本、小样本等学习任务。 Pattern-Exploiting Training（PET）的方法通过人工构建的模版与BERT的MLM模型结合，能够起到非常好的零样本、小样本乃至半监督学习效果。《GPT Understands, Too》提出了名为P-tuning的方法，成功地实现了模版的自动构建，通过模版从语言模型中抽取知识，完成零样本、小样本等学习任务。
- 本文介绍了如何使用本地JupyterLab来学习MindSpore 1.2.0 本文介绍了如何使用本地JupyterLab来学习MindSpore 1.2.0
- 英伟达提出multi-scale attention机制，并将 HRNet+OCR+multi-scale attention组合在一起训练的语义分割模型在Cityscapes数据集上的mIoU达到84.7，成为Cityscapes上新的SOTA，下面对组合中涉及的HRNet、OCR模块、multi-scale attention机制以及SegFix模型进行简要介绍。 英伟达提出multi-scale attention机制，并将 HRNet+OCR+multi-scale attention组合在一起训练的语义分割模型在Cityscapes数据集上的mIoU达到84.7，成为Cityscapes上新的SOTA，下面对组合中涉及的HRNet、OCR模块、multi-scale attention机制以及SegFix模型进行简要介绍。
- 介绍使图像分割的方法，包括传统方法和深度学习方法，以及应用场景。 介绍使图像分割的方法，包括传统方法和深度学习方法，以及应用场景。
- 越来越多的数字化永生项目出现在大众视野中，技术已悄悄打开潘多拉的魔盒。 越来越多的数字化永生项目出现在大众视野中，技术已悄悄打开潘多拉的魔盒。
上滑加载中
推荐直播
-
数据库工程师进阶之路2021/05/08 周六 19:00-21:00
Jack老师 RDS for PostgreSQL内核专家
本场直播由华为云数据库专家亲授演示数据库开发、测试和调优，并指导完成2个业务实战作品输出。欢迎来到直播间，直播过程还有好礼拿哦！
回顾中 -
VUE在小程序中的高端应用2021/05/10 周一 19:00-20:30
玉城老师 华为云MVP
vue框架开发小程序中使用，vue框架的介绍，小程序底层原理还有如何开发同构项目及mpvue渲染机制，大家一定要紧跟本次干货直播哦~
去报名
热门标签