- https://github.com/implus/GFocal 最小的模型，247m，时间100ms一张图片 ModelMulti-scale trainingAP (minival)AP (test-dev)FPSLinkGFL_R_50_FPN_1xNo40.240.319.4GoogleGFL_R_50_FPN_2xYes42.843.119.4G... https://github.com/implus/GFocal 最小的模型，247m，时间100ms一张图片 ModelMulti-scale trainingAP (minival)AP (test-dev)FPSLinkGFL_R_50_FPN_1xNo40.240.319.4GoogleGFL_R_50_FPN_2xYes42.843.119.4G...
- 北大、字节跳动等利用增量学习提出超像素分割模型LNSNet 模型52k，cpu版，运行一张图片需要2.4s，速度挺慢。 网络结构值得学习。 因此为保证超像素分割既可以更好的借助深度学习进行有效的特征提取，又可以同时兼顾传统超像素分割方法高效、灵活、迁移性强的特点，本研究从持续学习的视角看待超像素分割问题，并提出了一种新型的超像素分割模型可以更好的支持无监... 北大、字节跳动等利用增量学习提出超像素分割模型LNSNet 模型52k，cpu版，运行一张图片需要2.4s，速度挺慢。 网络结构值得学习。 因此为保证超像素分割既可以更好的借助深度学习进行有效的特征提取，又可以同时兼顾传统超像素分割方法高效、灵活、迁移性强的特点，本研究从持续学习的视角看待超像素分割问题，并提出了一种新型的超像素分割模型可以更好的支持无监...
- 如果您想下采样/常规调整大小，您应该使用interpolate()方法，这里的上采样方法已经不推荐使用了。 Upsample CLASS torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None) 上采样一个给定的多通道的 1D (temporal,如向... 如果您想下采样/常规调整大小，您应该使用interpolate()方法，这里的上采样方法已经不推荐使用了。 Upsample CLASS torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None) 上采样一个给定的多通道的 1D (temporal,如向...
- VariFocalNet | IoU-aware同V-Focal Loss全面提升密集目标检测(附YOLOV5测试代码) 观察到，核心网络是resnet50，resnet101 如果推理报错，参考： https://github.com/hyz-xmaster/VarifocalNet/issues/1 准确地对大量候选检测器进行排名是高性能密集目标检测器的关键。尽管... VariFocalNet | IoU-aware同V-Focal Loss全面提升密集目标检测(附YOLOV5测试代码) 观察到，核心网络是resnet50，resnet101 如果推理报错，参考： https://github.com/hyz-xmaster/VarifocalNet/issues/1 准确地对大量候选检测器进行排名是高性能密集目标检测器的关键。尽管...
- a表示底数，n表示指数，a^n叫做幂。 幂就是一个数和它自己相乘的积,二个乘是二次幂,三个乘是三次幂,四个乘是四次幂, 象三,五这样的幂是奇次幂,二,四是偶次幂负数乘负数是正数,负数乘正数是负. 幂函数与指数函数的区别： 指数函数：自变量 x 在指数的位置上，y=a^x（a>0，a 不等于 1）性质：当 a>1 时，函数是递增函数，且 y>0;... a表示底数，n表示指数，a^n叫做幂。 幂就是一个数和它自己相乘的积,二个乘是二次幂,三个乘是三次幂,四个乘是四次幂, 象三,五这样的幂是奇次幂,二,四是偶次幂负数乘负数是正数,负数乘正数是负. 幂函数与指数函数的区别： 指数函数：自变量 x 在指数的位置上，y=a^x（a>0，a 不等于 1）性质：当 a>1 时，函数是递增函数，且 y>0;...
- 原文：http://www.jianshu.com/p/6eecdeee5012 决策树是一种简单高效并且具有强解释性的模型，广泛应用于数据分析领域。其本质是一颗由多个判断节点组成的树，如： 决策树 在使用模型进行预测时，根据输入参数依次在各个判断节点进行判断游走，最后到叶子节点即为预测结果。 如何构造决策树 决策树算法的... 原文：http://www.jianshu.com/p/6eecdeee5012 决策树是一种简单高效并且具有强解释性的模型，广泛应用于数据分析领域。其本质是一颗由多个判断节点组成的树，如： 决策树 在使用模型进行预测时，根据输入参数依次在各个判断节点进行判断游走，最后到叶子节点即为预测结果。 如何构造决策树 决策树算法的...
- 原文：https://www.cnblogs.com/zongfa/p/8971213.html Softmax函数详解与推导 一、softmax函数 softmax用于多分类过程中，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解，从而来进行多分类！ 假设我们有一个数组，V，Vi表示V中的第i个元素，那么这个元素的softmax值就是... 原文：https://www.cnblogs.com/zongfa/p/8971213.html Softmax函数详解与推导 一、softmax函数 softmax用于多分类过程中，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解，从而来进行多分类！ 假设我们有一个数组，V，Vi表示V中的第i个元素，那么这个元素的softmax值就是...
- 图像中文描述 图像中文描述 + 视觉注意力的 PyTorch 实现。 Show, Attend, and Tell 是令人惊叹的工作，这里是作者的原始实现。 这个模型学会了“往哪瞅”：当模型逐词生成标题时，模型的目光在图像上移动以专注于跟下一个词最相关的部分。 依赖 Python 3.5PyTorch 0.4 数据集 使用 AI Chal... 图像中文描述 图像中文描述 + 视觉注意力的 PyTorch 实现。 Show, Attend, and Tell 是令人惊叹的工作，这里是作者的原始实现。 这个模型学会了“往哪瞅”：当模型逐词生成标题时，模型的目光在图像上移动以专注于跟下一个词最相关的部分。 依赖 Python 3.5PyTorch 0.4 数据集 使用 AI Chal...
- 训练样本量少的时候，确实有效果； 勤劳的神经元们事无巨细地干活，花大量时间把不重要的特征都学到了（过拟合），按这种方式去做其他事效率就很低（模型泛化能力差） 训练的时候需要dropout，测试的时候直接去掉。 如果测试时的时候添加了dropout层，测试的时候直接把前一层的特征结果传到下一层： dropout层相当于组合... 训练样本量少的时候，确实有效果； 勤劳的神经元们事无巨细地干活，花大量时间把不重要的特征都学到了（过拟合），按这种方式去做其他事效率就很低（模型泛化能力差） 训练的时候需要dropout，测试的时候直接去掉。 如果测试时的时候添加了dropout层，测试的时候直接把前一层的特征结果传到下一层： dropout层相当于组合...
- #CVPR 2021##全景分割##开放集# 1、Exemplar-Based Open-Set Panoptic Segmentation Network 首尔大学&Adobe Research 先是定义开放集全景分割（OPS）任务，并通过深入分析其固有的挑战，利用合理的假设使其可行。通过重新格式化 COCO 构建一个全新的 O... #CVPR 2021##全景分割##开放集# 1、Exemplar-Based Open-Set Panoptic Segmentation Network 首尔大学&Adobe Research 先是定义开放集全景分割（OPS）任务，并通过深入分析其固有的挑战，利用合理的假设使其可行。通过重新格式化 COCO 构建一个全新的 O...
- 原文：http://www.cnblogs.com/ybjourney/p/4702562.html 机器学习（一）——K-近邻（KNN）算法 最近在看《机器学习实战》这本书，因为自己本身很想深入的了解机器学习算法，加之想学python，就在朋友的推荐之下选择了这本书进行学习。 一 . K... 原文：http://www.cnblogs.com/ybjourney/p/4702562.html 机器学习（一）——K-近邻（KNN）算法 最近在看《机器学习实战》这本书，因为自己本身很想深入的了解机器学习算法，加之想学python，就在朋友的推荐之下选择了这本书进行学习。 一 . K...
- Gaussian YOLOv3 https://github.com/jwchoi384/Gaussian_YOLOv3 预测特征图的属性 RGB3通道图像被输入到yolov3网络。 检测结果在三个不同的尺度下输出，包括目标的坐标位置、目标是正样本还是负样本、目标属于某一类置信度。 对于每个比例尺分支，在每个网格单元中预测三个结果（每个比例尺三个锚）。 结合三个尺度的结... Gaussian YOLOv3 https://github.com/jwchoi384/Gaussian_YOLOv3 预测特征图的属性 RGB3通道图像被输入到yolov3网络。 检测结果在三个不同的尺度下输出，包括目标的坐标位置、目标是正样本还是负样本、目标属于某一类置信度。 对于每个比例尺分支，在每个网格单元中预测三个结果（每个比例尺三个锚）。 结合三个尺度的结...
- 前两天为了加速一段求梯度的代码，用了SSE指令，在实验室PMH大侠的指导下，最终实现了3倍速度提升（极限是4倍，因为4个浮点数一起计算）。在这里写一下心得，欢迎拍砖。 SSE加速的几个关键是 (1) 用于并行计算的数据结构要16字节对齐 (2) 直接写汇编，不要用SSE的Load Store指令 (3) 对于SSE本身不提供的三角函数等指令，可以用查表法，但要用S... 前两天为了加速一段求梯度的代码，用了SSE指令，在实验室PMH大侠的指导下，最终实现了3倍速度提升（极限是4倍，因为4个浮点数一起计算）。在这里写一下心得，欢迎拍砖。 SSE加速的几个关键是 (1) 用于并行计算的数据结构要16字节对齐 (2) 直接写汇编，不要用SSE的Load Store指令 (3) 对于SSE本身不提供的三角函数等指令，可以用查表法，但要用S...
- 形态学可以对着二值图操作，好像也能对着灰度图操作，返回的还是灰度图。 利用morphologyEx这个函数可以方便的对图像进行一系列的膨胀腐蚀组合。 函数讲解 ●函数原型 ○c++ void morphologyEx( InputArray src, OutputArray dst, int op, InputArray kernel, Point a... 形态学可以对着二值图操作，好像也能对着灰度图操作，返回的还是灰度图。 利用morphologyEx这个函数可以方便的对图像进行一系列的膨胀腐蚀组合。 函数讲解 ●函数原型 ○c++ void morphologyEx( InputArray src, OutputArray dst, int op, InputArray kernel, Point a...
- K-means算法、高斯混合模型 简介： 本节介绍STANFORD机器学习公开课中的第12、13集视频中的算法：K-means算法、高斯混合模型（GMM）。（9、10、11集不进行介绍，略过了哈） 一、K-means算法 属于无监督学... K-means算法、高斯混合模型 简介： 本节介绍STANFORD机器学习公开课中的第12、13集视频中的算法：K-means算法、高斯混合模型（GMM）。（9、10、11集不进行介绍，略过了哈） 一、K-means算法 属于无监督学...
上滑加载中
推荐直播
-
华为云码道-玩转OpenClaw，在线养虾2026/03/11 周三 19:00-21:00
刘昱，华为云高级工程师/谈心，华为云技术专家/李海仑，上海圭卓智能科技有限公司CEO
OpenClaw 火爆开发者圈，华为云码道最新推出 Skill ——开发者只需输入一句口令，即可部署一个功能完整的「小龙虾」智能体。直播带你玩转华为云码道，玩转OpenClaw
回顾中 -
华为云码道-AI时代应用开发利器2026/03/18 周三 19:00-20:00
童得力，华为云开发者生态运营总监/姚圣伟，华为云HCDE开发者专家
本次直播由华为专家带你实战应用开发，看华为云码道(CodeArts)代码智能体如何在AI时代让你的创意应用快速落地。更有华为云HCDE开发者专家带你用码道玩转JiuwenClaw，让小艺成为你的AI助理。
回顾中 -
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中
热门标签