- 促进人工智能技术在智慧医疗中落地应用 促进人工智能技术在智慧医疗中落地应用
- 模型的训练是输入特征到音素的状态的训练，即我们并不知道哪一帧输入特征对应哪个音素的哪一个状态。训练的目的就是找到帧对应状态的情况，并更新状态的gmm参数。把每一帧都归到某个状态上，本质上是进行聚类，是无监督训练。单音素GMM-HMM模型的训练通过Viterbi训练(嵌入式训练)，把“S IH K S”对应的GMM模型嵌入到整段音频中去训练。训练步骤：步骤一：初始化对齐为什么要初始化对齐？为v... 模型的训练是输入特征到音素的状态的训练，即我们并不知道哪一帧输入特征对应哪个音素的哪一个状态。训练的目的就是找到帧对应状态的情况，并更新状态的gmm参数。把每一帧都归到某个状态上，本质上是进行聚类，是无监督训练。单音素GMM-HMM模型的训练通过Viterbi训练(嵌入式训练)，把“S IH K S”对应的GMM模型嵌入到整段音频中去训练。训练步骤：步骤一：初始化对齐为什么要初始化对齐？为v...
- @TOC前言：作者：神的孩子在跳舞本人是刚开始学机器学习的小白，以下都是我的学习笔记，有一些是我自己理解的话，所以可能有不对的地方或者有些话只适合我自己理解（仅供参考），不对的希望大家能指出来，另外我创建了一个机器学习交流群903419026，各位跟我一样的小白可以进来多交流交流，互相促进，大佬看见了可以进来指导一下（狗头）。通俗理解：通过判断一个高级物种是不是人类来进行解决的，通过学习有眼... @TOC前言：作者：神的孩子在跳舞本人是刚开始学机器学习的小白，以下都是我的学习笔记，有一些是我自己理解的话，所以可能有不对的地方或者有些话只适合我自己理解（仅供参考），不对的希望大家能指出来，另外我创建了一个机器学习交流群903419026，各位跟我一样的小白可以进来多交流交流，互相促进，大佬看见了可以进来指导一下（狗头）。通俗理解：通过判断一个高级物种是不是人类来进行解决的，通过学习有眼...
- @TOC悄悄介绍自己：作者：神的孩子在跳舞本人是大四的小白，在山西上学，学习的是python方面的知识，希望能找到一个适合自己的实习公司，哪位大佬看上我的可以留下联系方式我去找您，或者加我微信chenyunzhiLBP 一. 简介简单理解：以你为起点找到最接近你的那个点定义：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。常用... @TOC悄悄介绍自己：作者：神的孩子在跳舞本人是大四的小白，在山西上学，学习的是python方面的知识，希望能找到一个适合自己的实习公司，哪位大佬看上我的可以留下联系方式我去找您，或者加我微信chenyunzhiLBP 一. 简介简单理解：以你为起点找到最接近你的那个点定义：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。常用...
- 关于声学模型，主要有两个问题，分别是特征向量序列的可变长和音频信号的丰富变化性。可变长特征向量序列问题在学术上通常有动态时间规划（Dynamic Time Warping, DTW）和隐马尔科夫模型（Hidden Markov Model, HMM）方法来解决。而音频信号的丰富变化性是由说话人的各种复杂特性或者说话风格与语速、环境噪声、信道干扰、方言差异等因素引起的。声学模型需要足够的鲁棒性... 关于声学模型，主要有两个问题，分别是特征向量序列的可变长和音频信号的丰富变化性。可变长特征向量序列问题在学术上通常有动态时间规划（Dynamic Time Warping, DTW）和隐马尔科夫模型（Hidden Markov Model, HMM）方法来解决。而音频信号的丰富变化性是由说话人的各种复杂特性或者说话风格与语速、环境噪声、信道干扰、方言差异等因素引起的。声学模型需要足够的鲁棒性...
- 在基于GMM-HMM的传统语音识别里，比音素（phone）更小的单位是状态（state）。一般每个音素由三个状态组成，特殊的是静音（SIL）由五个状态组成。这里所说的状态就是指HMM里的隐藏的状态，而每帧数据就是指HMM里的观测值。每个状态可以用一个GMM模型表示（这个GMM模型的参数是通过训练得到的）。在识别时把每帧数据对应的特征值放进每个状态的GMM里算概率，概率最大的那个就是这帧对应的... 在基于GMM-HMM的传统语音识别里，比音素（phone）更小的单位是状态（state）。一般每个音素由三个状态组成，特殊的是静音（SIL）由五个状态组成。这里所说的状态就是指HMM里的隐藏的状态，而每帧数据就是指HMM里的观测值。每个状态可以用一个GMM模型表示（这个GMM模型的参数是通过训练得到的）。在识别时把每帧数据对应的特征值放进每个状态的GMM里算概率，概率最大的那个就是这帧对应的...
- 本文([PeriodicMove: shift-aware human mobility recovery with graph neural network])是由华为云数据库创新Lab联合电子科技大学数据与智能实验室发表在顶会CIKM'21的文章 本文([PeriodicMove: shift-aware human mobility recovery with graph neural network])是由华为云数据库创新Lab联合电子科技大学数据与智能实验室发表在顶会CIKM'21的文章
- 本文是由华为云数据库创新Lab联合电子科技大学数据与智能实验室发表在顶会ICDE'21的文章。该文章针对多维时序数据的异常检测问题，提出了基于GAN和AutoEncoder的深度神经网络算法，并取得了当前State of the Art (SOTA)的检测效果。ICDE是CCF推荐的A类国际学术会议，是数据库和数据挖掘领域顶级学术会议之一。该论文是云数据库创新LAB在轨迹分析层面取得的关键技术成果 本文是由华为云数据库创新Lab联合电子科技大学数据与智能实验室发表在顶会ICDE'21的文章。该文章针对多维时序数据的异常检测问题，提出了基于GAN和AutoEncoder的深度神经网络算法，并取得了当前State of the Art (SOTA)的检测效果。ICDE是CCF推荐的A类国际学术会议，是数据库和数据挖掘领域顶级学术会议之一。该论文是云数据库创新LAB在轨迹分析层面取得的关键技术成果
- 针对ViT现状，分析ViT尚存问题和相对应的解决方案，和相关论文idea汇总 针对ViT现状，分析ViT尚存问题和相对应的解决方案，和相关论文idea汇总
- 我们知道Python编程语言拥有诸多在Web开发、数据科学、爬虫系统、机器学习、自动化运维和测试等互联网开发中的框架和结构特性。Python可能不是网络应用开发的理想选择，但是不可否认的是，Python也正被很多机构广泛用于评估大型数据集「dataset」、数据可视化、进行数据分析或制作原型。因此在数据科学领域，Python也正在获得诸多互联网络开发者的青睐。那么今天大灰狼就来和大家聊一聊P... 我们知道Python编程语言拥有诸多在Web开发、数据科学、爬虫系统、机器学习、自动化运维和测试等互联网开发中的框架和结构特性。Python可能不是网络应用开发的理想选择，但是不可否认的是，Python也正被很多机构广泛用于评估大型数据集「dataset」、数据可视化、进行数据分析或制作原型。因此在数据科学领域，Python也正在获得诸多互联网络开发者的青睐。那么今天大灰狼就来和大家聊一聊P...
- Abstract目标检测中标签分配的最新进展主要寻求为每个基准真相（ground-truth）对象独立定义正/负训练样本。在本文中，我们从全局的角度创新地重新审视了标签分配，并建议将分配过程表述为一个最优传输（OT）问题——优化理论中研究得很好的主题。具体来说，我们将每个需求者（锚）和供应商（gt）对之间的单位运输成本定义为它们分类和回归损失的加权总和。在制定后，寻找最佳分配解被转换为以最... Abstract目标检测中标签分配的最新进展主要寻求为每个基准真相（ground-truth）对象独立定义正/负训练样本。在本文中，我们从全局的角度创新地重新审视了标签分配，并建议将分配过程表述为一个最优传输（OT）问题——优化理论中研究得很好的主题。具体来说，我们将每个需求者（锚）和供应商（gt）对之间的单位运输成本定义为它们分类和回归损失的加权总和。在制定后，寻找最佳分配解被转换为以最...
- 论文概述 Abstract将YOLO检测器切换到无锚点的方式，并运用了其他先进的检测技术，即解耦头和领先的标签分配策略SimOTA，以实现SOTA。 1. Introduction随着物体检测的发展，YOLO系列始终追求实时应用的最佳速度和准确性权衡。他们提取了当时可用的最先进的检测技术，并优化了最佳实践的实现。目前，YOLOv5 [7]在COCO上的AP为48.2%，为13.7 ms.1... 论文概述 Abstract将YOLO检测器切换到无锚点的方式，并运用了其他先进的检测技术，即解耦头和领先的标签分配策略SimOTA，以实现SOTA。 1. Introduction随着物体检测的发展，YOLO系列始终追求实时应用的最佳速度和准确性权衡。他们提取了当时可用的最先进的检测技术，并优化了最佳实践的实现。目前，YOLOv5 [7]在COCO上的AP为48.2%，为13.7 ms.1...
- 前言Faster R-CNN 的亮点是使用RPN来提取候选框；RPN全称是Region Proposal Network，也可理解为区域生成网络，或区域候选网络；它是用来提取候选框的。RPN特点是耗时少。Faster R-CNN是“RCNN系列算法”的杰出产物，也是two-stage中经典的物体检测算法。two-stage的过程是：第一阶段先找出图片中待检测物体的anchor矩形框。（对背景... 前言Faster R-CNN 的亮点是使用RPN来提取候选框；RPN全称是Region Proposal Network，也可理解为区域生成网络，或区域候选网络；它是用来提取候选框的。RPN特点是耗时少。Faster R-CNN是“RCNN系列算法”的杰出产物，也是two-stage中经典的物体检测算法。two-stage的过程是：第一阶段先找出图片中待检测物体的anchor矩形框。（对背景...
- 语音识别基础Ø 特征提取（https://asr.pub/posts/feature_extraction/） 预加重的目的是提升高频部分，使信号的频谱变得平坦，保持在低频到高频的整个频带中，能用同样的信噪比求频谱。同时，也是为了消除发生过程中声带和嘴唇的效应，来补偿语音信号受到发音系统所抑制的高频部分，也为了突出高频的共振峰。这里说的高频低频是指时域上采样点分帧后的频率，针对每一帧... 语音识别基础Ø 特征提取（https://asr.pub/posts/feature_extraction/） 预加重的目的是提升高频部分，使信号的频谱变得平坦，保持在低频到高频的整个频带中，能用同样的信噪比求频谱。同时，也是为了消除发生过程中声带和嘴唇的效应，来补偿语音信号受到发音系统所抑制的高频部分，也为了突出高频的共振峰。这里说的高频低频是指时域上采样点分帧后的频率，针对每一帧...
- Python 在 1980 年代后期奠定了基础。Python 的实现于 1989 年 12 月由荷兰 CWI的Guido Van Rossum开始。1991 年 2 月，Guido Van Rossum将代码（标记为 0.9.0 版）发布到 alt.sources。1994 年，Python 1.0 发布，其中包含 lambda、map、filter 和 reduce 等新功能。Python... Python 在 1980 年代后期奠定了基础。Python 的实现于 1989 年 12 月由荷兰 CWI的Guido Van Rossum开始。1991 年 2 月，Guido Van Rossum将代码（标记为 0.9.0 版）发布到 alt.sources。1994 年，Python 1.0 发布，其中包含 lambda、map、filter 和 reduce 等新功能。Python...
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