扩散模型与生成模型详解
详细介绍了扩散模型的原理及其使用
训练Faster R-CNN+Windows+PyTorch（VOC数据集和自己的数据集）
训练b站up主提供的Faster R-CNN+Windows+PyTorch（VOC数据集和自己的数据集）
DenseNet代码复现＋超详细注释（PyTorch）
DenseNet代码复现（PyTorch），每一行都有超详细注释，新手小白都能看懂，亲测可运行
涨点技巧：Detect系列---Yolov5/Yolov7加入ASFF特征金字塔融合方法，涨点明显
多尺度特征特别是特征金字塔FPN是解决目标检测中跨尺度目标的最常用有效的解决方法，特征金字塔融合方法ASFF与yolov5/yolov7结合可以有效涨点
ChatGPT的平替来了？一文总结 ChatGPT 的开源平替，你值得拥有
2023 年，聊天机器人领域似乎只剩下两个阵营：「OpenAI 的 ChatGPT」和「其他」。再加上前段时间 GPT-4 的发布，ChatGPT 也有了更强大的推理和多模态能力，OpenAI 几乎不可能将其开源。然而，表现欠佳的「其他」阵营却一直在做开源方面的努力。本文总结了目前业界开源且适合中文
GPT-4 介绍
本文根据openAI的2023年3月的《GPT-4 Technical Report 》翻译总结的。原文确实没有GPT-4 具体的模型结构，openAI向盈利组织、非公开方向发展了。也没透露硬件、训练成本、训练数据、训练方法等。不过也透露了一些思想，比如提出了根据模型小的时候，预测模型大的时候的表现
使用YOLOV5训练自己的数据集（以王者荣耀为例）
使用yolov5训练自己的数据集
YOLOV8——快速训练指南（上手教程、自定义数据训练）
本篇主要用于说明如何使用自己的训练数据，快速在YOLOV8 框架上进行训练。当前（20230116）官方文档和网上的资源主要都是在开源的数据集上进行测试，对于算法“小白”或者“老鸟”如何快速应用到自己的项目中，这个单纯看官方文档显得有点凌乱，因为YOLOV8 不再致力于做一个单纯算法，而是想要做一个
模糊神经网络（FNN）的实现（Python，附源码及数据集）
本文对模糊神经网络（FNN）的理论基础及建模步骤进行介绍，之后使用Python实现基于FNN的数据预测，通俗易懂，适合新手学习，附源码及实验数据集。
Ubuntu20.04配置YOLOV5算法相关环境，并运行融合YOLOV5的ORB-SLAM2开源代码（亲测有效）
安装的软件主要是anaconda，然后anaconda可以帮我们安装python、pytorch这些东西。我的ubuntu版本：ubuntu20.04.5LTS。安装的python类型：python3.8.15,(原来系统自带的python是3.9.12)
Pytorch1.7复现PointNet++点云分割（含Open3D可视化）（文末有一个自己做的书缝识别项目代码）
毕设需要，复现一下PointNet++的对象分类、零件分割和场景分割，找点灵感和思路，做个踩坑记录。
RGB与Depth融合方法总结
RGB与Depth融合方法汇总
基于小波时频图和2D-CNN的滚动轴承故障检测
轴承故障诊断 附python和matlab代码
亲测有效解决torch.cuda.is_available()返回False的问题（分析+多种方案），点进不亏
文章目录解决torch.cuda.is_available()返回False出现返回False的原因问题1：版本不匹配问题2：错下成了cpu版本的（小编正是这种问题）解决方案方案一方案二解决torch.cuda.is_available()返回False出现返回False的原因问题1：版本不匹配电脑
对比学习MoCo损失函数infoNCE理解（附代码）
对比学习MoCo损失函数infoNCE理解
机器学习中的数学——距离定义（八）：余弦距离（Cosine Distance）
余弦距离(Cosine Distance)也可以叫余弦相似度。 几何中夹角余弦可用来衡量两个向量方向的差异，机器学习中借用这一概念来衡量样本向量之间的差异。相比距离度量，余弦相似度更加注重两个向量在方向上的差异，而非距离或长度上。nnn维空间中的余弦距离为：cos(x,y)=x⋅y∣x∣⋅∣y∣=
SA的空间注意力和通道注意力
包括空间注意力和通道注意力，目的是选择细粒度的重要像素点，是pixel级。：是 local 注意力，致力于搜索粗糙的潜在判别区域，它们是region级。一般来说对于同一像素点不同通道求均值，再经过一些卷积和上采样的运算得到spitial attention mask，空间特征每层像素点被赋予不同的权
【图像分割】Segment Anything（Meta AI）论文解读
Segment Anything（SA）项目：一个图像分割新的任务、模型和数据集。建立了迄今为止最大的分割数据集，在11M许可和尊重隐私的图像上有超过1亿个mask。该模型的设计和训练是灵活的，因此它可以将zero-shot（零样本）转移到新的图像分布和任务。实验评估了它在许多任务上的能力，发现它的
生成式模型与辨别式模型
分类模型可以分为两大类:生成式模型与辨别式模型。本文解释了这两种模型类型之间的区别，并讨论了每种方法的优缺点。
时间序列多步预测经典方法总结
本篇文章将讲解时间序列中的经典问题：多步预测，所谓多步预测就是利用过去的时间数据来预测未来多个状态的时序数据，举个例子就是利用过去30天的数据来预测未来2天的数据。
