- 人脸关键点检测指的是用于标定人脸五官和轮廓位置的一系列特征点的检测，是对于人脸形状的稀疏表示。关键点的精确定位可以为后续应用提供十分丰富的信息。因此，人脸关键点检测是人脸分析领域的基础技术之一。许多应用场景(如人脸识别、人脸三维重塑、表情分析等)均将人脸关键点检测作为其前序步骤来实现。本文将通过深度学习的方法来搭建一个人脸关键点检测模型。 1995年，Cootes提出 ASM(active sha 人脸关键点检测指的是用于标定人脸五官和轮廓位置的一系列特征点的检测，是对于人脸形状的稀疏表示。关键点的精确定位可以为后续应用提供十分丰富的信息。因此，人脸关键点检测是人脸分析领域的基础技术之一。许多应用场景(如人脸识别、人脸三维重塑、表情分析等)均将人脸关键点检测作为其前序步骤来实现。本文将通过深度学习的方法来搭建一个人脸关键点检测模型。 1995年，Cootes提出 ASM(active sha
- LandCoverNet训练标签 v1.0LandCoverNet是一个全球年度土地覆被分类训练数据集，带有2018年Sentinel-1、Sentinel-2和Landsat-8任务的多光谱卫星图像的标签。LandCoverNet中的图像芯片为256 x 256像素，横跨多个瓦片。每个图像芯片包含来自以下卫星产品的时间观测数据，并带有年度等级标签，全部以栅格格式（GeoTIFF文件）存储。... LandCoverNet训练标签 v1.0LandCoverNet是一个全球年度土地覆被分类训练数据集，带有2018年Sentinel-1、Sentinel-2和Landsat-8任务的多光谱卫星图像的标签。LandCoverNet中的图像芯片为256 x 256像素，横跨多个瓦片。每个图像芯片包含来自以下卫星产品的时间观测数据，并带有年度等级标签，全部以栅格格式（GeoTIFF文件）存储。...
- 世界住区足迹和演变¶。2015年世界住区足迹¶。2015年世界住区足迹（WSF）是一个10米（0.32角秒）分辨率的二进制掩码，概述了2015年全球住区范围，是通过联合利用多时相哨兵一号雷达和陆地卫星8号光学卫星图像得出的。2015年世界住区足迹现在可以在GEE官方目录中找到，你可以在这里找到它：https://developers.google.com/earth-engine/data... 世界住区足迹和演变¶。2015年世界住区足迹¶。2015年世界住区足迹（WSF）是一个10米（0.32角秒）分辨率的二进制掩码，概述了2015年全球住区范围，是通过联合利用多时相哨兵一号雷达和陆地卫星8号光学卫星图像得出的。2015年世界住区足迹现在可以在GEE官方目录中找到，你可以在这里找到它：https://developers.google.com/earth-engine/data...
- 1870年至2100年的全球城市范围长期的、全球性的城市范围记录可以帮助评估人类活动对环境的影响。遥感观测可以提供对历史上城市动态的洞察力，但仅在卫星时代。在这里，我们利用在1992年至2013年期间对城市范围的卫星观测进行训练的城市蜂窝自动机模型，开发了一个1公里分辨率的1870年至2100年的全球城市动态数据集。我们对五条共享社会经济路径（SSPs）下的后报（1870-1990年）和预... 1870年至2100年的全球城市范围长期的、全球性的城市范围记录可以帮助评估人类活动对环境的影响。遥感观测可以提供对历史上城市动态的洞察力，但仅在卫星时代。在这里，我们利用在1992年至2013年期间对城市范围的卫星观测进行训练的城市蜂窝自动机模型，开发了一个1公里分辨率的1870年至2100年的全球城市动态数据集。我们对五条共享社会经济路径（SSPs）下的后报（1870-1990年）和预...
- 全球不透水表面积（1972-2019）该研究利用300多万张Landsat卫星图像，建立了第一个1972年至2019年的全球不透水面积（GISA）数据集。基于全世界270个城市的120,777个独立和随机的参考点，GISA的遗漏误差、委托误差和F分数分别为5.16%、0.82%和0.954。与现有的全球数据集相比，GISA的优点包括。(1）它提供了1985年以前的全球ISA地图，显示了最长... 全球不透水表面积（1972-2019）该研究利用300多万张Landsat卫星图像，建立了第一个1972年至2019年的全球不透水面积（GISA）数据集。基于全世界270个城市的120,777个独立和随机的参考点，GISA的遗漏误差、委托误差和F分数分别为5.16%、0.82%和0.954。与现有的全球数据集相比，GISA的优点包括。(1）它提供了1985年以前的全球ISA地图，显示了最长...
- 欧空局WorldCover 10 m 2020 V100输入质量¶。ESA WorldCover 10 m 2020 V100产品是以EPSG:4326投影（地理经纬度CRS）的云优化GeoTIFFs（COG）形式，以3x3度瓦片形式交付。有2651个瓦片，关于访问这个数据集的更多信息可以在这里找到。目前的收集只集中在输入质量层，地图层在谷歌地球引擎中可作为一个图像集。DATA | WOR... 欧空局WorldCover 10 m 2020 V100输入质量¶。ESA WorldCover 10 m 2020 V100产品是以EPSG:4326投影（地理经纬度CRS）的云优化GeoTIFFs（COG）形式，以3x3度瓦片形式交付。有2651个瓦片，关于访问这个数据集的更多信息可以在这里找到。目前的收集只集中在输入质量层，地图层在谷歌地球引擎中可作为一个图像集。DATA | WOR...
- 四边形不等式DP优化涉及的证明比较复杂，如果先给出定义和证明会让人迷惑，所以本文的组织结构是：先给出应用场景，引导出四边形不等式的概念，再进行定义和证明，最后用例题巩固。 四边形不等式DP优化，虽然理论有点复杂，但是编码很简单。 四边形不等式DP优化涉及的证明比较复杂，如果先给出定义和证明会让人迷惑，所以本文的组织结构是：先给出应用场景，引导出四边形不等式的概念，再进行定义和证明，最后用例题巩固。 四边形不等式DP优化，虽然理论有点复杂，但是编码很简单。
- ESRI 10m年度土地利用土地覆盖（2017-2021）全球土地利用和土地覆盖（LULC）年度地图的时间序列。它目前有2017-2021年的数据。这些地图来自欧空局Sentinel-2图像，分辨率为10米。每张地图是全年9个等级的LULC预测的综合，以产生每年的代表性快照。这个数据集是由Impact Observatory生成的，他们使用了数十亿的人类标记的像素（由国家地理学会策划）来训... ESRI 10m年度土地利用土地覆盖（2017-2021）全球土地利用和土地覆盖（LULC）年度地图的时间序列。它目前有2017-2021年的数据。这些地图来自欧空局Sentinel-2图像，分辨率为10米。每张地图是全年9个等级的LULC预测的综合，以产生每年的代表性快照。这个数据集是由Impact Observatory生成的，他们使用了数十亿的人类标记的像素（由国家地理学会策划）来训...
- SSH（安全外壳协议 Secure Shell Protocol，简称SSH）是一种加密的网络传输协议，用于在网络中实现客户端和服务端的连接，典型的如我们在本地电脑通过 SSH 连接远程服务器。 SSH（安全外壳协议 Secure Shell Protocol，简称SSH）是一种加密的网络传输协议，用于在网络中实现客户端和服务端的连接，典型的如我们在本地电脑通过 SSH 连接远程服务器。
- 所谓模型剪枝，其实是一种从神经网络中移除"不必要"权重或偏差（weigths/bias）的模型压缩技术。本文深入描述了 pytorch 框架的几种剪枝 API，包括函数功能和参数定义，并给出示例代码。 所谓模型剪枝，其实是一种从神经网络中移除"不必要"权重或偏差（weigths/bias）的模型压缩技术。本文深入描述了 pytorch 框架的几种剪枝 API，包括函数功能和参数定义，并给出示例代码。
- 模型剪枝是应用非常广的一种模型压缩方法，其可以直接减少模型中的参数量。本文会对模型剪枝的定义、发展历程、分类以及算法原理进行详细的介绍。 模型剪枝是应用非常广的一种模型压缩方法，其可以直接减少模型中的参数量。本文会对模型剪枝的定义、发展历程、分类以及算法原理进行详细的介绍。
- ESRI 2020年来自哨兵2号的全球土地利用和土地覆盖图该图层显示了全球土地利用/土地覆盖（LULC）的地图。该地图来自欧空局Sentinel-2图像，分辨率为10米。它是对全年10个等级的LULC预测的综合，以产生2020年的代表性快照。该地图是由一个深度学习模型制作的，该模型使用了超过50亿个手工标记的Sentinel-2像素，从分布在世界所有主要生物群落的20,000多个地点取样。... ESRI 2020年来自哨兵2号的全球土地利用和土地覆盖图该图层显示了全球土地利用/土地覆盖（LULC）的地图。该地图来自欧空局Sentinel-2图像，分辨率为10米。它是对全年10个等级的LULC预测的综合，以产生2020年的代表性快照。该地图是由一个深度学习模型制作的，该模型使用了超过50亿个手工标记的Sentinel-2像素，从分布在世界所有主要生物群落的20,000多个地点取样。...
- 4.基于Label studio的训练数据标注指南：情感分析任务观点词抽取、属性抽取 4.基于Label studio的训练数据标注指南：情感分析任务观点词抽取、属性抽取
- 推荐系统[八]算法实践总结V2：排序学习框架(特征提取标签获取方式)以及京东推荐算法精排技术实战 推荐系统[八]算法实践总结V2：排序学习框架(特征提取标签获取方式)以及京东推荐算法精排技术实战
- 主成分分析算法（Principal Component Analysis， PCA）的目的是找到能用较少信息描述数据集的特征组合。它意在发现彼此之间没有相关性、能够描述数据集的特征，确切说这些特征的方差跟整体方差没有多大差距，这样的特征也被称为主成分。这也就意味着，借助这种方法，就能通过更少的特征捕获到数据集的大部分信息。 主成分分析算法（Principal Component Analysis， PCA）的目的是找到能用较少信息描述数据集的特征组合。它意在发现彼此之间没有相关性、能够描述数据集的特征，确切说这些特征的方差跟整体方差没有多大差距，这样的特征也被称为主成分。这也就意味着，借助这种方法，就能通过更少的特征捕获到数据集的大部分信息。
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签