已找到以下 10000 条记录
  • NLP领域的国内外专家们

    理组组长、负责人。主要研究方向是中文自然语言处理,具体包括汉语词法分析、汉语句法分析、语义处理、统计语言模型、词典和语料库、机器翻译、信息提取、中文信息处理和智能交互中的大规模资源建设、中文信息处理以及智能交互中的测评技术等2 刘挺, 哈工大教授,国家 “万人计划” 科技创新领军

    作者: RabbitCloud
    2305
    3
  • Eolink——通用文字识别OCR接口示例

    字识别、相册图片文字识别和截图文字识别,可应用于搜索、书摘、笔记、翻译等移动应用中,方便用户进行文本的提取或录入,有效提升产品易用性和用户使用体验。 内容审核与监管自动提取图像中的文字内容,结合文本审核技术识别违规内容,提示相应风险,协助进行违规处理,可应用于电商广告审核、舆

    作者: 红目香薰
    发表时间: 2022-12-06 07:49:55
    144
    0
  • 【TrackVis 教程】基于DTI的纤维追踪及显示

    峰值较小的一组是灰质: 六丶通过Slice filter提取特定部位的脑区 通过设定不同的Slice filter,我们可以根据已有的神经学知识,去提取特定断层的脑区神经链接信息。 教程中有提到利用Slice filter提取扣带回 部位的神经连接,通过设定不同的Slice厚度和位

    作者: ChillRay
    发表时间: 2020-12-29 23:29:47
    8205
    0
  • 【Docker项目实战篇】Docker部署PDF多功能工具Stirling-PDF

    比较两个PDF并显示文本差异。 向PDF中添加图片。 压缩PDF以减小文件大小(使用OCRMyPDF)。 从PDF中提取图片。 从扫描件中提取图片。 添加页码。 根据PDF头部文本自动重命名文件。 对PDF进行OCR处理(使用OCRMyPDF)。

    作者: 江湖有缘
    发表时间: 2024-06-30 00:02:35
    4
    0
  • 来!编写你的第一个网络爬虫

    、远程爬取技术、图像处理以及其他相关的主题。本书主要内容如下:使用简单的Python程序从页面中提取数据;构建并发爬虫,对页面进行并行处理;通过跟踪链接来爬取一个网站;从HTML中提取特性;缓存下载的HTML,以供复用;比较并发模型,确定比较快的爬虫;解析依赖于JavaScrip

    作者: SUNSKY
    发表时间: 2019-09-04 16:31:56
    7024
    0
  • 体验华为云AI市场-时序预测

    13.7973     14.6968      从结果可以很明显的看出来,example数据量很小,在预测长度很小时,AI市场提供的积累深度学习算法效果都不错,但是当预测长度长,且数据量又少的时候,就远不如prophet稳定。今天的体验就到此结束了,后续打算体验一下多维的和attention。话说

    作者: i淇淇子
    发表时间: 2020-09-16 15:52:48
    8317
    0
  • 深入探索Python语法:索引与切片(5)

    "banana", "orange"] print(fruits[-1]) # 输出:orange 3.切片 切片是指从序列中提取子序列的操作。使用[start:end]的语法来指定切片范围,其中start是起始索引(包含在切片中),end是结束索引(不包含在切片中)。切片将返回一个新的序列。

    作者: 老虎也淘气
    发表时间: 2023-10-09 20:03:31
    4
    0
  • 使用YOLOv5模型进行目标检测(2)--检测文件参数说明

    ights参数是我们训练好的权重文件,yolov5共有四种模型:yolov5s、yolov5m、yolov5l、yolov5x,它们的网络主干深度和宽度依次递增,一般情况下检测效果也递增,yolov5x的效果最好,yolov5s最差,但是yolov5s网络参数最少(14MB),y

    作者: @Wu
    24
    1
  • 漫画:什么是人工智能?

    单理解为人工智能通过一定的学习来提升自我水平,具体知识可以参考拙作《漫画:什么是机器学习?》。深度学习可以理解为机器学习的一种“加强版”,以多层神经网络为原理,笔者计划在今后为深度学习单独发布一篇漫画来介绍。人工智能的等级划分按照智能的高低,人工智能可以分为三个等级:弱人工智能(Artificial

    作者: feichaiyu
    发表时间: 2019-11-10 10:43:56
    9629
    0
  • 专业级语义搜索优化:利用 Cohere AI、BGE Re-Ranker 及 Jina Reranker 实现精准结果重排

    Reranker 的优势是计算不复杂,效率高,因此广泛用于对延迟较敏感的传统搜索系统中。 基于深度学习模型的 Reranker,通常被称为 Cross-encoder Reranker。由于深度学习的特性,一些经过特殊训练的神经网络可以非常好地分析问题和文档之间的相关性。这类 Reranker

    作者: 汀丶
    发表时间: 2024-09-03 13:31:35
    294
    0
  • 基础层算法选择

    预置算法开始训练,也可以自行开发和调试算法代码,然后再训练。基础层算法选择对于应用开发者而言,平时接触最多的基础算法应该是机器学习(包括深度学习)和强化学习。

    作者: 黄生
    18
    1
  • AI应用的商业化场景

    信息的推荐。在数据授权的前提下,互联网后台系统会获取用户的元信息及用户与互联网产品交互过程中的行为数据,然后根据这些数据进行数据筛选、特征提取。后台系统中的推荐模型利用筛选后的特征,将用户感兴趣的内容推荐给用户。后台推荐模型会随着业务数据的变化而不断更新。        在自动驾驶场景中

    作者: 运气男孩
    1450
    2
  • 边缘云创新Lab_新闻

    31 08月 2021 2021-08-31 Sedna 0.4.0发布,支持边缘表征提取,提升数据隐私保障,降低边侧资源消耗! Sedna 0.4版本发布,扩展原有联邦学习特性,支持基于表征提取的联邦学习,保证训练精度前提下降低联邦学习边云数据传输量和边侧资源需求。 08 06月

  • 想问一些modelarts上ascend的相关问题

    delarts上这个ascend跑同样的代码,发现速度和cpu差不多,而且好像也没有gpu的版本正常的话ascend应该是用这个npu跑深度学习的是吗?这个npu一般是会比gpu快一些的吧?有没有相关的介绍和链接可以分享一下呢 谢谢~

    作者: 西瓜奶蛋
    961
    4
  • 资料帖意见建议

    建议资料贴里在现有基础上,按照对应关系把bilibili视频添加至对应的目录下方。现在目录中只有第五期两日集训营的,21天深度学习训练营的还没有。1.3 快速入门MindSpore 下建议把MindSpore官网的初级系列1-6的视频全部添加进去。视频和文章相对照岂不更好邮箱:499477004@qq

    作者: 雨夜丿
    626
    0
  • ASRC优势有哪些

    ASRC优势高识别率基于深度学习技术,对特定领域场景和语料进行优化,识别率达到业界领先。前沿技术使用工业界成熟的算法,结合学术界最新研究成果,为企业提供独特竞争力优势。支持热词针对专业词汇,支持上传至热词表,增加专业词汇的识别准确率。可定制化针对客户的特定场景需求,定制垂直领域的语音识别模型,识别效果更精确。

    作者: 极客潇
    1323
    1
  • 5天玩转OCR课程资料

    5天玩转OCR——华为云EI系列课程  全面了解文字识别服务(OCR)华为云OCR服务融合深度学习及多种图像处理技术,提供丰富全面的文字识别服务,具有精度高,鲁棒性强,适应多种场景等特点。本次活动采用视频教学+技术干货+专家答疑 扫除OCR服务实际应用的问题,实现人人快速上手操作。附件为day3~5课程demo

    作者: llu
    38252
    6
  • 【直播内容总结】穿越时光 让黑白地雷战原彩重现

    (3)卷积核 featuremap 1596127951748036950.png   第二部分: 老师接下来介绍了具体的模型的主要思路: 利用卷积计算提取特征,然后用卷积进行分类,从而计算出每个灰度图片的色彩预期。 这样生成的Lab再转换为RGB就可以是目的的彩色的图片了。   1596127968178064937

    作者: 张辉
    发表时间: 2020-07-31 01:00:43
    7646
    2
  • 【2月18日 AI 快讯】密恐警告:超2000万张,全球最大的人眼图像数据集开源了

    12:17原文链接为什么「反向传播」一定要在生物学上有对应?谷歌研究科学家Eric Jang提出质疑谷歌 Robotics 研究科学家对生物学可信深度学习(BPDL)研究提出了质疑。2021/02/16 12:14原文链接密恐警告:超2000万张,全球最大的人眼图像数据集开源了涵盖 2D 和

    作者: AI资讯
    1446
    5
  • 胶囊网络 - 池化层的缺点

    卷积神经网络在深度学习和计算机视觉应用中都有着举足轻重的地位,可以说CNN是目前深度学习的主流方法。在CNN这样普遍化的工业应用之后,我们能否更进一步,构造出性能超越CNN的网络结构?解铃还须系铃人,当年提出CNN的Geoffrey Hinton经过多年研究,在2017年11月提出了著名的胶囊网络(Capsule

    作者: 黄生
    14
    2