已找到以下 10000 条记录
  • 机器学习笔记

    化太大,结果更准) 学习路线监督学习:有数据标注情况下学习(回归、分类) 半监督学习:训练数据中带标记的数据不够多 迁移学习:在已学习基础上,做看似和以前学习不相关的事情,但实际效果很好(在猫狗识别基础识别大象老虎等) 非监督学习:没有具体标注数据的情况下学习(机器阅读、机器绘画)

    作者: 真矫情先生
    发表时间: 2021-04-13 09:20:24
    1841
    0
  • opencv 读取、显示、保存图片 | PIL.Image读取图片的区别

    cv2 和 matplotlib.pyplot 和 PIL.Image 读取图片方式对比【Python读取图片】 openCV和PIL读取图像相互转换 PIL.Image读取图片的区别

    作者: 墨理学AI
    发表时间: 2022-01-12 15:09:49
    866
    0
  • Hinge Loss

    我说一个前面没提到的,李航老师在他的《统计学习基础》中有提到, hinge 的中文意思是 “合页”,就是图中这个东西,hinge 损失的函数图像长得像它。   铰链损失函数(Hinge Loss)   在机器学习中,hinge loss作为一个损失函数(loss

    作者: 风吹稻花香
    发表时间: 2021-06-05 14:28:59
    1245
    0
  • 【论文分享】基于SqueezeNet卷积神经网络的车辆检测

    法的应用。随着深度学习在各个领域取得了较大突破,目标检测将面临新的发展机遇。深度学习目标检测算法在检测准确率上有巨大的提升,主要得益于卷积神经网络强大的特征提取能力。卷积神经网络可以自动提取目标中的关键特征信息,不需要人工设计和经验,只需要向网络中传递足够多的图像数据即可,因此,

    作者: 乔天伊
    356
    7
  • [论文阅读] (04) 人工智能真的安全吗?浙大团队分享AI对抗样本技术

    不同威胁模型白盒攻击、灰盒攻击、黑盒攻击 不同应用场景图像识别、3D物体识别、音频识别、文本分类 深度学习模型通常都存在模型鲁棒性缺乏的问题,一方面由于环境因素多变,包括AI模型在真实使用过程中表现不够稳定,受光照强度、视角角度距离、图像仿射变换、图像分辨率等影响,从而导致训练数据难以覆

    作者: eastmount
    发表时间: 2021-09-24 16:30:39
    4073
    0
  • DeepSORT 目标追踪简述

    DeepSORT 是在 SORT 目标追踪基础上的改进版本,加入了行人重识别数据集上训练的深度学习模型,在实时目标追踪过程中,提取目标的表观特征进行最近邻匹配。This repository contains code for Simple Online and Realtime

    作者: szaxr
    2065
    1
  • 【小白学习kears教程】四、Keras基于数字数据集建立基础的CNN模型

    2.卷积层 通常,二维卷积层用于图像处理 滤波器的大小(由“kernel\u Size”参数指定)定义感受野的宽度和高度** 过滤器数量(由“过滤器”参数指定)等于下一层的深度 步幅(由“步幅”参数指定)是过滤器每次移动改变位置的距离 图像可以零填充以防止变得太小(由“padding”参数指定)

    作者: 毛利
    发表时间: 2021-07-16 12:53:26
    1790
    0
  • MATLAB中的大数据处理与高效计算策略:架构与优化方法

    实战案例:处理大规模图像数据 在图像处理领域,数据集往往非常庞大。为了展示MATLAB中处理大规模图像数据的能力,我们将以一个处理大规模图像数据集的例子来说明如何使用MATLAB高效地进行计算。 假设我们需要处理一个包含数万张图像的大型数据集,任务是对每张图像进行灰度转换并保存处理结果。

    作者: 柠檬味拥抱1
    发表时间: 2025-02-09 17:06:40
    0
    0
  • 什么是对象存储服务 - 对象存储服务 OBS

    表1 存储类别对比 对比项目 标准存储 低频访问存储 归档存储 深度归档存储(受限公测) 特点 高性能、高可靠、高可用的对象存储服务 高可靠、较低成本的实时访问存储服务 归档数据的长期存储,存储单价更优惠 深度归档数据的长期存储,存储单价相比归档存储更优惠 应用场景 云应用、数据分享、内容分享、热点对象

  • Docker个人学习总结

    1 Docker入门基础1.1 容器级虚拟机化技术主机级虚拟化,          Type1:在硬件上安装虚拟机,hyper-v,没有宿主机         Type2:有宿主机及宿主机OS,虚拟机OS与宿主机OS不一样,如Vmware,workstations。容器级虚拟化:

    作者: yaoqqiang
    4558
    0
  • python 利用超分提高监控分辨率

    Connection and Network in Network)。这些模型可以在图像处理领域提高图像的分辨率。 首先,你需要一个训练好的超分辨率模型。这通常是通过使用如TensorFlow、Keras或其他深度学习框架来实现的。一旦你有了模型,你可以使用它来处理视频帧,提高每一帧的分辨率。

    作者: i-WIFI
    发表时间: 2024-10-10 15:33:52
    57
    0
  • 基于ModelArts的模型评估“ModelArts人工智能应用开发指南” 学习笔记

    比,不同特征数据子集评估与对比的功能,开发者可以在“评估对比”页面中选择需要对比的多个评估作业,并且可以通过数据集特征值选择某个特征子集的图像进行评估。

    作者: QGS
    2052
    4
  • 《AI安全之对抗样本入门》—1.3.9 可视化CNN

    解CNN各层对图像特征提取的方法。Keras之父、谷歌大脑人工智能和深度学习研究员Francois Chollet 在他的《Python深度学习》中给出一种可视化卷积的方法。卷积层通常由多个卷积核组成,每个卷积核都可以被视为一种特征提取方式。当使用一个卷积核处理图像数据后,卷积核

    作者: 华章计算机
    发表时间: 2019-06-17 16:11:07
    5498
    0
  • 方案概述

    匹配精度高智能问答机器人服务融合机器学习、信息检索、深度学习等多种技术的智能语义匹配引擎,保证客服问题高精度命中,返回满意答案 知识闭环智能问答机器人服务采用文本挖掘、关联规则等技术从日志、操作记录等多源数据中学习领域知识、强化问答知识库、提升问答效果

  • Google Earth Engine APP——一键在线查看全球1984-至今年的影像同时加载一个影像分析

    客-CSDN博客 免费使用链接: Landsat Time Series Explorer 这个应用程序显示了陆地卫星时间序列图和图像合成物中选定位置的图像芯片。图像是为给定的时间窗口(可以跨越新的一年)生成的中位数年度合成图。时间序列点的颜色是由RGB分配给选定的波段定义的,其

    作者: 此星光明
    发表时间: 2022-07-29 08:57:15
    355
    0
  • 富文本 - Astro工作流 AstroFlow

    富文本 富文本是一种特殊的文本格式,比普通文本更加丰富多彩。富文本可以包含各种字体、颜色、大小、图像、链接、表格和视频等元素,使文本更加生动、有趣。富文本和单行文本输入、多行文本输入、文本呈现的效果,如图1所示。 图1 各文本组件效果呈现图 在表单设计页面,从“常用控件”中,拖拽

  • [Python人工智能] 二十三.基于机器学习和TFIDF的情感分类(含详细的NLP数据清洗)

    从本专栏开始,作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章分享了自定义情感词典(大连理工词典)实现情感分析和情绪分类的过程。这篇文章将详细讲解自然语言处理过程,基于机器学习和TFIDF的情感分类算法,并进行了各种分类算法(SVM、RF、LR、Boos

    作者: eastmount
    发表时间: 2021-12-29 05:19:24
    5448
    0
  • 华为机器学习服务(MLS)介绍

    MLS简介</b><align=left> 机器学习服务,即MachineLearning Service,简称MLS,是一项数据挖掘分析平台服务,旨在帮助用户通过机器学习技术发现已有数据中的规律,从而创建机器学习模型,并基于机器学习模型处理新的数据,为业务应用生成预测结果。</align><align=left>

    作者: 人工智能
    12288
    1
  • Linux开发_摄像头编程

    ​&nbsp;底层硬件系统开发(驱动编程),直接控制摄像头采集数据。 摄像头功能:将采集到的图像数据转为二进制数据返回。 驱动的代码集成在操作系统里。 在操作系统里使用摄像头步骤:学习接口函数的调用。 fread(); read(); Linux下是一切设备皆文件: 摄像头、网

    作者: DS小龙哥
    发表时间: 2022-05-25 15:10:16
    486
    0
  • 生成对抗网络(GAN)在数据增强中的应用、挑战与优化研究

    网络(GAN)来生成手写数字图像(MNIST数据集)。生成器接收一个随机噪声向量,输出伪造的图像,而判别器则试图区分真实图像和伪造图像。通过不断优化生成器和判别器,GAN能够生成越来越真实的图像,最终用于数据增强。 2. 文本数据增强 GAN不仅在图像处理上有很大的应用潜力,在文

    作者: 柠檬味拥抱
    发表时间: 2024-11-30 21:48:14
    20
    0