- 在目标检测任务中，一张图片的的不同目标框的大小是不一样的，有的数据集小物体比较多，有的数据集大物体比较多，那么如何来衡量数据集的这种特性呢，以及有什么方法辅助模型针对这种特征进行更好的训练，本博客将进行详细的介绍和分析。 在目标检测任务中，一张图片的的不同目标框的大小是不一样的，有的数据集小物体比较多，有的数据集大物体比较多，那么如何来衡量数据集的这种特性呢，以及有什么方法辅助模型针对这种特征进行更好的训练，本博客将进行详细的介绍和分析。
- 一、问题描述 在目标检测任务中，一张图片中的目标框在整张图片上面的位置可能会不一样，有的目标框可能分布在图片的中间，有的目标框可能分布在图片的边缘位置，边缘化程度，即目标框中心距离图片中心距离占图片总距离的比值，越大表示物体越靠近边缘。下图表示的是图片中标记框距离中心比较远的场景，即标记框的边缘化分布比较严重。图1 图片标记框边缘化分布示例目标框边缘化敏感度就是描述这种现象的指标，检测模型... 一、问题描述 在目标检测任务中，一张图片中的目标框在整张图片上面的位置可能会不一样，有的目标框可能分布在图片的中间，有的目标框可能分布在图片的边缘位置，边缘化程度，即目标框中心距离图片中心距离占图片总距离的比值，越大表示物体越靠近边缘。下图表示的是图片中标记框距离中心比较远的场景，即标记框的边缘化分布比较严重。图1 图片标记框边缘化分布示例目标框边缘化敏感度就是描述这种现象的指标，检测模型...
- 在目标检测任务中，一张图片的的单个目标框可能会被其他目标框覆盖，目标框的堆叠度就是描述这种现象的指标，本博客将介绍该现象的背景以及分析相关的解决方法 在目标检测任务中，一张图片的的单个目标框可能会被其他目标框覆盖，目标框的堆叠度就是描述这种现象的指标，本博客将介绍该现象的背景以及分析相关的解决方法
- 在目标检测的模型评估阶段，目标检测的假阳性（误检分析）以及假阴性（漏检分析）是比较重要的一环，那么如何降低误检和漏检情况下的位置偏差呢，本博客将详细介绍相关的技术细节 在目标检测的模型评估阶段，目标检测的假阳性（误检分析）以及假阴性（漏检分析）是比较重要的一环，那么如何降低误检和漏检情况下的位置偏差呢，本博客将详细介绍相关的技术细节
- 在目标检测的模型评估阶段，目标检测的假阳性（误检分析）以及假阴性（漏检分析）是比较重要的一环，如何降低误检以及漏检中的类别误差呢，本博客将对相关的技术进行介绍和分析。 在目标检测的模型评估阶段，目标检测的假阳性（误检分析）以及假阴性（漏检分析）是比较重要的一环，如何降低误检以及漏检中的类别误差呢，本博客将对相关的技术进行介绍和分析。
- 这篇文章来聊聊做深度学习最离不开的GPU以及cuda，GPU部分的科普知识参考自网上资料。一.什么是GPU我们知道计算机常见的处理器包括CPU和GPU，CPU即中央处理单元（Central processing unit），它是计算机的控制核心。CPU需要很强的通用性来处理各种不同的数据类型，同时在大量的逻辑判断中，包含了大量的分支跳转和中断处理，使得CPU的内部结构异常复杂，不擅长于快速计... 这篇文章来聊聊做深度学习最离不开的GPU以及cuda，GPU部分的科普知识参考自网上资料。一.什么是GPU我们知道计算机常见的处理器包括CPU和GPU，CPU即中央处理单元（Central processing unit），它是计算机的控制核心。CPU需要很强的通用性来处理各种不同的数据类型，同时在大量的逻辑判断中，包含了大量的分支跳转和中断处理，使得CPU的内部结构异常复杂，不擅长于快速计...
- 序号习题类型习题名称正确答案习题解析选项1选项2选项3选项41单选题以下哪个技术是属于窄带蜂窝物联网技术？2WiFiNB-IoT5G蓝牙2单选题著名特洛伊咖啡屋的案例中，摄像头和咖啡壶属于以下哪个物联网层级？1感知层网络层平台层其余选项均不对3单选题物联网操作系统LiteOS的互联框架提供哪种协议栈，实现互通？4MQTTTCP/UDPCoAP以上三种均是4单选题以下物联网接入技术中，功耗最高... 序号习题类型习题名称正确答案习题解析选项1选项2选项3选项41单选题以下哪个技术是属于窄带蜂窝物联网技术？2WiFiNB-IoT5G蓝牙2单选题著名特洛伊咖啡屋的案例中，摄像头和咖啡壶属于以下哪个物联网层级？1感知层网络层平台层其余选项均不对3单选题物联网操作系统LiteOS的互联框架提供哪种协议栈，实现互通？4MQTTTCP/UDPCoAP以上三种均是4单选题以下物联网接入技术中，功耗最高...
- 介绍Normalization的基本原理和较为常用的Normalization方法，并对Normalization的作用原理进行一些讨论 介绍Normalization的基本原理和较为常用的Normalization方法，并对Normalization的作用原理进行一些讨论
- 算法模型专栏开始，力争用最通俗的说法来解释，参考各类资料暂时删去了损失函数的计算以及比较繁琐难懂的概念，如有错误理解之处望指出！首先给定几个概念，不熟悉卷积基本概念的暂且看下：基础概念：先来个全彩GoogleNet/Inception模型解释下1*1卷积的作用：增加非线性：相当于全连接层，加入激活函数后使得网络复杂性增加特征降维：控制卷积核数量达到通道数大小放缩空洞卷积：又称扩张卷积，引入扩... 算法模型专栏开始，力争用最通俗的说法来解释，参考各类资料暂时删去了损失函数的计算以及比较繁琐难懂的概念，如有错误理解之处望指出！首先给定几个概念，不熟悉卷积基本概念的暂且看下：基础概念：先来个全彩GoogleNet/Inception模型解释下1*1卷积的作用：增加非线性：相当于全连接层，加入激活函数后使得网络复杂性增加特征降维：控制卷积核数量达到通道数大小放缩空洞卷积：又称扩张卷积，引入扩...
- 名词解释1. 端到端: 端到端是网络连接网络要通信，必须建立连接，不管有多远，中间有多少机器，都必须在两头（源和目的）间建立连接，一旦连接建立起来，就说已经是端到端连接了，即端到端是逻辑链路，这条路可能经过了很复杂的物理路线，但两端主机不管，只认为是有两端的连接，而且一旦通信完成，这个连接就释放了，物理线路可能又被别的应用用来建立连接了。TCP就是用来建立这种端到端连接的一个具体协... 名词解释1. 端到端: 端到端是网络连接网络要通信，必须建立连接，不管有多远，中间有多少机器，都必须在两头（源和目的）间建立连接，一旦连接建立起来，就说已经是端到端连接了，即端到端是逻辑链路，这条路可能经过了很复杂的物理路线，但两端主机不管，只认为是有两端的连接，而且一旦通信完成，这个连接就释放了，物理线路可能又被别的应用用来建立连接了。TCP就是用来建立这种端到端连接的一个具体协...
- 风控领域图深度学习算法思考 如今，图计算以及图深度学习算法的发展使得将图深度学习算法应用在风控领域变为可能。但在我看来，在风控领域使用图深度学习算法实现不同业务目的，这个进程还处在发展初期阶段。 风控领域图深度学习算法思考 如今，图计算以及图深度学习算法的发展使得将图深度学习算法应用在风控领域变为可能。但在我看来，在风控领域使用图深度学习算法实现不同业务目的，这个进程还处在发展初期阶段。
- 本文主要通过两个实际应用案例：一是基于本地 Jupyter Notebook 的 MNIST 手写数据识别；二是基于华为云服务器的 CIFAR-10 图像分类，对开源框架 MindSpore 进行介绍。 本文主要通过两个实际应用案例：一是基于本地 Jupyter Notebook 的 MNIST 手写数据识别；二是基于华为云服务器的 CIFAR-10 图像分类，对开源框架 MindSpore 进行介绍。
- 背景 开发过程中需要用到GPU时，通常在安装配置GPU的环境过程中遇到问题；CUDA Toolkit和CUDNN版本的对应关系；CUDA和电脑显卡驱动的版本的对应关系；CUDA Toolkit、CUDNN、NCVV是什么呢？举个例子安装TensorFlow2.1过程中，想要使用到电脑的显卡来进行开发，但是发现默认需要CUDATOOLKIT=10.1，CUDNN=7.6，安装好后发现无法正常... 背景 开发过程中需要用到GPU时，通常在安装配置GPU的环境过程中遇到问题；CUDA Toolkit和CUDNN版本的对应关系；CUDA和电脑显卡驱动的版本的对应关系；CUDA Toolkit、CUDNN、NCVV是什么呢？举个例子安装TensorFlow2.1过程中，想要使用到电脑的显卡来进行开发，但是发现默认需要CUDATOOLKIT=10.1，CUDNN=7.6，安装好后发现无法正常...
- 当前针对密集文本检测主要存在两个问题，首先是基于回归的算法得到的文字区域的表征形式都是四边形等形式，无法完美表征复杂形状的文字区域；然后是基于分割的方法无法有效的分隔出贴合较近的文字区域。该文通过将广度优先搜索联通区域的思想引入到基于分割的文字检测方法中，有效的解决了基于分割的方法中贴合较近的区域无法被分割开来的问题。 当前针对密集文本检测主要存在两个问题，首先是基于回归的算法得到的文字区域的表征形式都是四边形等形式，无法完美表征复杂形状的文字区域；然后是基于分割的方法无法有效的分隔出贴合较近的文字区域。该文通过将广度优先搜索联通区域的思想引入到基于分割的文字检测方法中，有效的解决了基于分割的方法中贴合较近的区域无法被分割开来的问题。
- 本文基于CornerNet做的改进，通过自底向上的方法提取多个点，再由点组成候选框。现阶段主流的检测方法基本上都是基于anchor，自顶向下的预测候选框。而这种方法提取出的候选框并不能很好的表示自然物体，因为大多数物体的形状并不是标准的框，将其用框来表示一定会包含很多的背景，因此本文提出了ExtremeNet。 本文基于CornerNet做的改进，通过自底向上的方法提取多个点，再由点组成候选框。现阶段主流的检测方法基本上都是基于anchor，自顶向下的预测候选框。而这种方法提取出的候选框并不能很好的表示自然物体，因为大多数物体的形状并不是标准的框，将其用框来表示一定会包含很多的背景，因此本文提出了ExtremeNet。
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