- 从很小的时候开始，人类就能够识别最喜欢的物品，并将它们捡起来，尽管从未有人明确教过他们这样做。认知发展研究表明，与周围物体互动的能力在培养物体感知和操纵能力（例如有目的的抓取）的过程中起着至关重要的作用。通过与周围的环境互动，人类能够以自我监督的方式学习：我们知道自己作出的动作，并会从结果中学习。在机器人领域，人们正在积极研究这种自我监督学习，因为这使机器人系统能够在不需要大... 从很小的时候开始，人类就能够识别最喜欢的物品，并将它们捡起来，尽管从未有人明确教过他们这样做。认知发展研究表明，与周围物体互动的能力在培养物体感知和操纵能力（例如有目的的抓取）的过程中起着至关重要的作用。通过与周围的环境互动，人类能够以自我监督的方式学习：我们知道自己作出的动作，并会从结果中学习。在机器人领域，人们正在积极研究这种自我监督学习，因为这使机器人系统能够在不需要大...
- 目录 搭建环境 准备数据集 训练级联文件 之前使用Python+OpenCV实现交通路标识别，具体实现步骤及心得如下： OpenCV训练属于自己的xml文件，需以下几个步骤： 1、首先下载OpenCV（Windows版）； 2、准备数据集，分为正样本集和负样本集； 3、生成路径，将正样本集的路径要存成 *.vec格式；负样本集的路径不做要求，*... 目录 搭建环境 准备数据集 训练级联文件 之前使用Python+OpenCV实现交通路标识别，具体实现步骤及心得如下： OpenCV训练属于自己的xml文件，需以下几个步骤： 1、首先下载OpenCV（Windows版）； 2、准备数据集，分为正样本集和负样本集； 3、生成路径，将正样本集的路径要存成 *.vec格式；负样本集的路径不做要求，*...
- 近几年来，兴起了一股人工智能热潮，让人们见到了AI的能力和强大，比如图像识别，语音识别，机器翻译，无人驾驶等等。总体来说，AI的门槛还是比较高，不仅要学会使用框架实现，更重要的是，需要有一定的数学基础，如线性代数，矩阵，微积分等。 幸庆的是，国内外许多大神都已经给我们造好“轮子”，我们可以直接来使用某些模型。今天就和大家交流下如何实现一个简易版的人脸对比，非常有趣！ 整体... 近几年来，兴起了一股人工智能热潮，让人们见到了AI的能力和强大，比如图像识别，语音识别，机器翻译，无人驾驶等等。总体来说，AI的门槛还是比较高，不仅要学会使用框架实现，更重要的是，需要有一定的数学基础，如线性代数，矩阵，微积分等。 幸庆的是，国内外许多大神都已经给我们造好“轮子”，我们可以直接来使用某些模型。今天就和大家交流下如何实现一个简易版的人脸对比，非常有趣！ 整体...
- 目录 案例引入 本节项目 最近有小伙伴们一直在催本项目的进度，好吧，今晚熬夜加班编写，在上一节中，实现了人脸数据的采集，在本节中将对采集的人脸数据进行训练，生成识别模型。 案例引入 首先简要讲解数据集训练生成模型的原理，这里使用的是LBPH算法，在OpenCV模块中已经有内嵌的方法cv2.face.LBPHFaceRecognizer_create()，为了方便... 目录 案例引入 本节项目 最近有小伙伴们一直在催本项目的进度，好吧，今晚熬夜加班编写，在上一节中，实现了人脸数据的采集，在本节中将对采集的人脸数据进行训练，生成识别模型。 案例引入 首先简要讲解数据集训练生成模型的原理，这里使用的是LBPH算法，在OpenCV模块中已经有内嵌的方法cv2.face.LBPHFaceRecognizer_create()，为了方便...
- 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...
上滑加载中
推荐直播
-
华为云码道Skill实战与极速交付，智能开发全链路实战2026/07/22 周三 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；姜浩-华为云HCDG核心组成员
直播深度解读华为云码道6月产品新特性，从Skill市场安装专家技能，带你零距离体验从需求，开发，审查，重构全链路闭环的开发过程。从零构建并交付一个完整项目，让您体验从代码提交到服务上线的“极速”之旅。
回顾中 -
聚开发者之力，创具身新未来2026/07/23 周四 15:00-17:00
张豪杰/程文/王军/刘新春/黄钦开 /张晓天
本次华为云具身智能开发平台CloudRobo培训面向具身智能开发者，带您全流程体验机器人本体R2C小时级接入、环境重建与轨迹生成仿真数据生产、PB级数据管理、数据评测、模型训推、强化学习和Benchmark一键评测等功能，并体验业界主流具身模型应用。
回顾中
热门标签