【深度学习】（五）目标检测——下篇
上一章介绍了目标检测上篇，主要为两阶段检测的R-CNN系列。这一章来学习一下目标检测下篇。R-CNN系列算法面临的一个问题，不是端到端的模型，几个构件拼凑在一起组成整个检测系统，操作起来比较复杂。而今天介绍的YOLO算法，操作简便且速度快，效果也不错。YOLO算法是一种典型的one-stage方法，
Code For Better 谷歌开发者之声----谷歌云基于TensorFlow高级机器学习
谷歌云基于TensorFlow高级机器学习
深度学习之文本分类 ----FastText
使用FastText进行文本分类，文章解简单介绍FastText的基本介绍、使用方式，对应的数据格式，以及模型调优的方式
【深度学习】6-卷积过程中数据的结构变化
在学习卷积神经网络时，我对于卷积过程中数据的结构变化常感困惑不解（如改变数组的维度顺序），因此在这里做一些整理。
基于深度学习的多人步态识别系统（YOLOV5+DeepSort+GaitSet+Segmentation）
基于深度学习的多人步态识别系统 Yolov5 · DeepSort · Segementation/背景减除法 · GaitSet
如何估算transformer模型的显存大小
本文将详细介绍如何计算transformer的内存占用
深度学习目标检测模型综述
由于这些系统有两个独立的步骤，它们通常需要更长的时间来生成候选，具有复杂的架构并且缺乏全局上下文。它通常被视为一个有监督的学习问题。使用经过训练的大型网络来训练较小的模型，称为蒸馏，也显示出有趣的结果。可以看出，尽管大量目标检测器实现了出色的准确性并实时执行推理，但这些模型中的大多数都需要过多的计算
为什么基于树的模型在表格数据上仍然优于深度学习
在这篇文章中，将详细解释一个被世界各地的机器学习从业者在各种领域观察到的现象——基于树的模型在分析表格数据方面比深度学习/神经网络好得多。
JavaScript-对象，对象是什么，对象能干嘛，对象该怎么用，本篇带你了解js中的对象。
JavaScript-对象，清晰地阐述了对象是什么，对象能干嘛，如何使用对象，对象该在什么时候用
手把手教你用Yolov5 (v6.2) 训练分类模型 基于《Kaggle猫狗大战》案例
在8月17日晚上，YOLOv5官方发布了v6.2版本，v6.2版本支持分类模型训练、验证、预测和导出；v6.2版本的推出使得训练分类器模型变得超级简单！
【毕业设计】深度学习YOLO抽烟行为检测 - python opencv
YOLO系列是基于深度学习的回归方法。该系列陆续诞生出YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5。YOLOv5算法，它是一种单阶段目标检测的算法，该算法可以根据落地要求灵活地通过chaneel和layer的控制因子来配置和调节模型，所以在比赛和落地中应用比较多。同时它有YO
将特征转换为正态分布的一种方法示例
正态（高斯）分布在机器学习中起着核心作用，线性回归模型中要假设随机误差等方差并且服从正态分布，如果变量服从正态分布，那么更容易建立理论结果。
手把手带你调参最新 YOLOv7 模型 (最新版本)（一）
YOLO科研Trick改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数
基于CNN卷积神经网络的TensorFlow+Keras深度学习的人脸识别
在上一篇博客中，利用CNN卷积神经网络的TensorFlow+Keras深度学习搭建了人脸模型：《基于CNN卷积神经网络的TensorFlow+Keras深度学习搭建人脸模型]》，本篇博客将继续利用CNN卷积神经网络的TensorFlow+Keras深度学习实现人脸识别...
Pytorch中获取模型摘要的3种方法
在pytorch中获取模型的可训练和不可训练的参数，层名称，内核大小和数量。
点云深度学习——pyqt调用配准网络DCP模型
点云深度学习——pyqt调用配准网络DCP模型
论文推荐：使用带掩码的孪生网络进行自监督学习
本篇文章将介绍Masked Siamese Networks (MSN)，这是另一种用于学习图像表示的自监督学习框架。MSN 在 ImageNet-1K 上的线性评估方面优于 MAE 和其他模型
为什么Adam 不是默认的优化算法?
本文这并不是否定自适应梯度方法在神经网络框架中的学习参数的贡献。而是希望能够在使用Adam的同时实验SGD和其他非自适应梯度方法
卷积神经网络CNN实现mnist手写数字识别
卷积神经网络CNN实现mnist手写数字识别
【深度学习】基于卷积神经网络（tensorflow）的人脸识别项目（四）
实现一个基于界面化的一个人脸识别。本篇主要是实现第四步。最后一篇咯 1. 首先需要收集数据，我的想法是通过OpenCV调用摄像头进行收集人脸照片。 2. 然后进行预处理，主要是对对数据集分类，训练集、验证集、测试集。选取合适的参数，例如损失函数。图像灰度化、归一化等等操作。 3. 开始训练模型，提前
