- 目录 1、项目功能 2、项目概述 3、项目环境 之前为各位朋友分享过Python+OpenCV实现车牌检测与识别，本篇博文为各位分享Spring Boot+Maven实现车牌训练、识别系统。 1、项目功能 Spring Boot+Maven实现车牌训练、识别系统功能模块如下所示： 黄 蓝 绿 黄蓝绿车牌检测及车牌号码识别；单张图片、多张图片并发、单图片多车... 目录 1、项目功能 2、项目概述 3、项目环境 之前为各位朋友分享过Python+OpenCV实现车牌检测与识别，本篇博文为各位分享Spring Boot+Maven实现车牌训练、识别系统。 1、项目功能 Spring Boot+Maven实现车牌训练、识别系统功能模块如下所示： 黄 蓝 绿 黄蓝绿车牌检测及车牌号码识别；单张图片、多张图片并发、单图片多车...
- 摘要： 该文提出一种“网路扩展(Network Scaling)”方法，它不仅针对深度、宽度、分辨率进行调整，同时调整网络结果，作者将这种方法称之为Scaled-YOLOv4。 由此得到的YOLOv4-Large取得了SOTA结果：在MS-COCO数据集上取得了55.4%AP(73.3% AP50)，推理速度为15fps@Tesla V100；在添加TTA后，该模型达... 摘要： 该文提出一种“网路扩展(Network Scaling)”方法，它不仅针对深度、宽度、分辨率进行调整，同时调整网络结果，作者将这种方法称之为Scaled-YOLOv4。 由此得到的YOLOv4-Large取得了SOTA结果：在MS-COCO数据集上取得了55.4%AP(73.3% AP50)，推理速度为15fps@Tesla V100；在添加TTA后，该模型达...
- 作者：Frank摘要：主动学习小白入门第一篇1、动机如今，我们利用AI算法解决实际问题的时候，需要面临的第一个并且是最重要的一个问题就是进行大规模的数据采集和标注。众所周知，使用监督学习方法做分类任务时，往往训练样本规模越大，分类器的性能就越高。但是在面临实际问题时，我们接触到的大量的来自互联网或其他来源（如学术界或商业界）的都是未标注的数据。然而标记样本通常是代价比较大的，比... 作者：Frank摘要：主动学习小白入门第一篇1、动机如今，我们利用AI算法解决实际问题的时候，需要面临的第一个并且是最重要的一个问题就是进行大规模的数据采集和标注。众所周知，使用监督学习方法做分类任务时，往往训练样本规模越大，分类器的性能就越高。但是在面临实际问题时，我们接触到的大量的来自互联网或其他来源（如学术界或商业界）的都是未标注的数据。然而标记样本通常是代价比较大的，比...
- 目录 1. 基于阈值的目标提取 1.1 二值化处理 1.2 阈值的确定 模态法 阈值确定其他方法 大津法 2. 基于颜色的目标提取 2.1 色相、亮度、饱和度 2.2颜色分量和组合处理 比如让你提取一幅照片中的苹果，还有可能遮挡 比如让你提取绿色的麦苗，如何使用二值图像呢？ 3. 基于差分目标提取 3.1 帧间差分 3.2 背景差分 1.... 目录 1. 基于阈值的目标提取 1.1 二值化处理 1.2 阈值的确定 模态法 阈值确定其他方法 大津法 2. 基于颜色的目标提取 2.1 色相、亮度、饱和度 2.2颜色分量和组合处理 比如让你提取一幅照片中的苹果，还有可能遮挡 比如让你提取绿色的麦苗，如何使用二值图像呢？ 3. 基于差分目标提取 3.1 帧间差分 3.2 背景差分 1....
- 机器学习中的性能比较为什么 比较复杂？ 首先，我们希望比较的是泛化 性能，然而通过实验评估获得的只是测试集上的性能，两者对比结果可能未必相同测试集上的性能与测试集本身选择有很大的关系，不同大小的测试集会得到不同的结果，即便是相同大小的测试集，若测试样例不同，测试结果也可能不同很多机器学习算法本身有一定的随机性，即便用相同的参数设置，在同一个测试集多次运行，其 结果也可能不同... 机器学习中的性能比较为什么 比较复杂？ 首先，我们希望比较的是泛化 性能，然而通过实验评估获得的只是测试集上的性能，两者对比结果可能未必相同测试集上的性能与测试集本身选择有很大的关系，不同大小的测试集会得到不同的结果，即便是相同大小的测试集，若测试样例不同，测试结果也可能不同很多机器学习算法本身有一定的随机性，即便用相同的参数设置，在同一个测试集多次运行，其 结果也可能不同...
- 目录 Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Networks 1. 摘要 2. 主要贡献 3. 算法流程 3.1 网络概述 3.2 网络设计 3.2.1 LSTM网络 3.2.2 编码-解码网络 3.2.3 网络训练 4. 结果展示 4.1 数据集 ... 目录 Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Networks 1. 摘要 2. 主要贡献 3. 算法流程 3.1 网络概述 3.2 网络设计 3.2.1 LSTM网络 3.2.2 编码-解码网络 3.2.3 网络训练 4. 结果展示 4.1 数据集 ...
- 这是学习唐杰老师的总结。 图灵奖得主Yoshua Bengio在NeuIPS 2019带来一场题为《From System 1 Deep Learning To System 2 Deep Learing》的报告，提到了几个非常有意思的观点。 本文为大家带来Yoshua Bengio的报告详解。 报告地址： https://nips.cc/Conferences/2... 这是学习唐杰老师的总结。 图灵奖得主Yoshua Bengio在NeuIPS 2019带来一场题为《From System 1 Deep Learning To System 2 Deep Learing》的报告，提到了几个非常有意思的观点。 本文为大家带来Yoshua Bengio的报告详解。 报告地址： https://nips.cc/Conferences/2...
- 目录 还是举例子： 为什么会出现这样情况？ 归纳偏好 还是举例子： 三种属性：{白色、黄色、黑色}+{眼睛颜色蓝色、眼睛颜色不一样}+{有铃铛、没铃铛} 判断是不是“猫” 通过机器学习，现在给了一幅“白色”“眼睛蓝色”“有铃铛”的动物，让计算机判断是不是猫 不同机器学习算法，在面对上述情况时，可能得到不同的结果。一部分可能判断这只动物是猫，一... 目录 还是举例子： 为什么会出现这样情况？ 归纳偏好 还是举例子： 三种属性：{白色、黄色、黑色}+{眼睛颜色蓝色、眼睛颜色不一样}+{有铃铛、没铃铛} 判断是不是“猫” 通过机器学习，现在给了一幅“白色”“眼睛蓝色”“有铃铛”的动物，让计算机判断是不是猫 不同机器学习算法，在面对上述情况时，可能得到不同的结果。一部分可能判断这只动物是猫，一...
- CVPR 2020: IEEE Conference on Computer Vision and Pattern RecognitionNeurIPS 2020: Neural Information Processing SystemsECCV 2020: European Conference on Computer VisionICML 2020: Internati... CVPR 2020: IEEE Conference on Computer Vision and Pattern RecognitionNeurIPS 2020: Neural Information Processing SystemsECCV 2020: European Conference on Computer VisionICML 2020: Internati...
- 论文地址：https://arxiv.org/pdf/2004.10934.pdf GitHub地址：https://github.com/AlexeyAB/darknet 觉得作者很地道，论文附上开源，没有比这更开心的事情了吧！ 首先附上对论文总结的思维导图，帮助大家更好的理解！ （思维导图和论文译文PDF均可在【计算机视觉联盟】后台回复yolov4获取） ... 论文地址：https://arxiv.org/pdf/2004.10934.pdf GitHub地址：https://github.com/AlexeyAB/darknet 觉得作者很地道，论文附上开源，没有比这更开心的事情了吧！ 首先附上对论文总结的思维导图，帮助大家更好的理解！ （思维导图和论文译文PDF均可在【计算机视觉联盟】后台回复yolov4获取） ...
- 开发文档 1. 需求规格说明2. 系统设计2.1 开发环境2.2 总体设计2.2.1 数据采集2.2.2 算法实现2.2.3 结果输出 3. 编程实现4.集成5.测试6.维护 1. 需求规格说明 依据什么需求，开发出什么 2. 系统设计 2.1 开发环境 硬件开发平台：NVIDIA Jetson TX2 工业相机：*** 操作系统：Ubu... 开发文档 1. 需求规格说明2. 系统设计2.1 开发环境2.2 总体设计2.2.1 数据采集2.2.2 算法实现2.2.3 结果输出 3. 编程实现4.集成5.测试6.维护 1. 需求规格说明 依据什么需求，开发出什么 2. 系统设计 2.1 开发环境 硬件开发平台：NVIDIA Jetson TX2 工业相机：*** 操作系统：Ubu...
- 目录 1. 有哪些文本表示模型？ 1.1 词袋模型 1.1.1 TF-IDF权重计算 公式： 1.2 主题模型 1.3 词嵌入与深度学习模型 为什么深度学习有用？ 1. 有哪些文本表示模型？ 词袋模型（Bag of Words）TF-IDF（Term Frequency-Inverse Document Frequency）主题模型（Topic Mo... 目录 1. 有哪些文本表示模型？ 1.1 词袋模型 1.1.1 TF-IDF权重计算 公式： 1.2 主题模型 1.3 词嵌入与深度学习模型 为什么深度学习有用？ 1. 有哪些文本表示模型？ 词袋模型（Bag of Words）TF-IDF（Term Frequency-Inverse Document Frequency）主题模型（Topic Mo...
- 本文是机器学习笔记系列 参考链接：https://vas3k.com/blog/machine_learning/ 机器学习这个主题已经很普遍了，每个人都在谈论它，但很少有人能够透彻地了解它。当前网络上的一些机器学习文章晦涩难懂，理论性太强，或者通篇云里雾里地介绍人工智能、数据科学的魔力以及未来的工作等。 所以呢，本文作者 vas3k 通过简洁的语言和清晰明了... 本文是机器学习笔记系列 参考链接：https://vas3k.com/blog/machine_learning/ 机器学习这个主题已经很普遍了，每个人都在谈论它，但很少有人能够透彻地了解它。当前网络上的一些机器学习文章晦涩难懂，理论性太强，或者通篇云里雾里地介绍人工智能、数据科学的魔力以及未来的工作等。 所以呢，本文作者 vas3k 通过简洁的语言和清晰明了...
- 1 SVM的优点 训练好的模型算法复杂度是由支持向量的个数决定，而不是数据维度决定，所以SVM不太容易过拟合。 SVM训练出来的模型完全依赖于支持向量，即使训练集里面所有非支持点都去除，重复训练过程，结果模型完全一样 一个SVM如果训练得到的支持向量个数少，则模型更容易泛化（比如各有1个点，... 1 SVM的优点 训练好的模型算法复杂度是由支持向量的个数决定，而不是数据维度决定，所以SVM不太容易过拟合。 SVM训练出来的模型完全依赖于支持向量，即使训练集里面所有非支持点都去除，重复训练过程，结果模型完全一样 一个SVM如果训练得到的支持向量个数少，则模型更容易泛化（比如各有1个点，...
- 目录 归纳和演绎 归纳学习分为广义和狭义： 概念学习、概念形成最基本的是布尔概念学习： 解答疑问 归纳和演绎 “归纳”和“演绎”是科学推理的两大基本手段 “归纳”是从特殊到一般，是一个“泛化”过程，是总结经验，比如猫有哪些特点？ “演绎” 就是从一般到特殊，从基本情况推出具体情况，是“特化”过程 从“样本”中学习过程 称为“归纳学习” ... 目录 归纳和演绎 归纳学习分为广义和狭义： 概念学习、概念形成最基本的是布尔概念学习： 解答疑问 归纳和演绎 “归纳”和“演绎”是科学推理的两大基本手段 “归纳”是从特殊到一般，是一个“泛化”过程，是总结经验，比如猫有哪些特点？ “演绎” 就是从一般到特殊，从基本情况推出具体情况，是“特化”过程 从“样本”中学习过程 称为“归纳学习” ...
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