Curriculum Labeling：重新审视半监督学习的伪标签
Curriculum Labeling (CL)，在每个自训练周期之前重新启动模型参数，优于伪标签 (PL)
PyTorch nn.RNN 参数全解析
全面解析 torch.nn.RNN
单目3D车辆检测全流程实战分享-附完整代码
基于M3D-RPN全流程实现单目3D检测，从数据处理到优化和部署的全流程实战分享
物理驱动的深度学习方法入门到详解
物理驱动的深度学习方法入门
使用神经网络模型创建一个龙与地下城怪物生成器
龙与地下城（DND）于1974年发行第一版，现在所有RPG游戏都有它的影子，在本文中我们将使用神经网络构建一个能够生成平衡数据的怪物生成器
【自动驾驶模拟器AirSim快速入门 | 01】自动驾驶模拟器AirSim实战演练
项目面向自动驾驶初学者、研究人员和行业专家。项目以jupter notebook作为载体，使用流行的开源工具(如Keras、TensorFlow等)构建，项目提供数据集、源代码、AirSim模拟器，以便于实现自动驾驶快速仿真。...............
5篇关于特征嵌入的研究论文推荐
5篇最新的论文推荐
PyTorch 深度学习入门
深度学习是机器学习的一个分支，其中编写了模仿人脑功能的算法。深度学习中最常用的库是 Tensorflow 和 PyTorch。由于有各种可用的深度学习框架，人们可能想知道何时使用 PyTorch。以下是人们可能更喜欢将 Pytorch 用于特定任务的原因。Pytorch 是一个开源深度学习框架，带有
2022/6/13
The Reforce Leaning based on Q-learning method, which is used in the interactive control of autos in the one single intersection. Easily speaking, the
基于自动编码器的赛车视角转换与分割
本文将利用vae将汽车前置视像头的图像转换成分割后的鸟瞰图
MicroNet实战：使用MicroNet实现图像分类
本文通过对植物幼苗分类的实际例子来感受一下MicroNet模型的效果。模型来自官方，我自己写了train和test部分。从得分情况来看，这个模型非常的优秀，我选择用的MicroNet-M3模型，大小仅有6M，但是ACC在95%左右，成绩非常惊艳！！！这篇文章从实战的角度手把手带领大家完成训练和测试。
计算机视觉可解释性——将特征图的某一通道转化为一张图来可视化
本实验是将某一层的特征图中的某一通道对其进行的可视化，有两种方式一种是使用opencv；另一种是使用tensorboard。运行结果使用的resnet50作为backbone的效果更好，将layer1的特征中第一层通道(256中的第1层)转化为图像 layer1. channels1.将layer1
Multimix：从医学图像中进行的少量监督，可解释的多任务学习
在这篇文章中，我们解释了一个可用于联合学习分类和分割任务的新的稀疏监督多任务学习模型MultiMix。该论文使用四种不同的胸部x射线数据集进行了广泛的实验，证明了MultiMix在域内和跨域评估中的有效性。
Tensorflow 2.x(keras)源码详解之第十三章：keras中的评估指标及自定义评估指标
@[toc]# 1. keras中API使用方法- 评估指标位于tf.keras.metrics模块，该模块下的评估指标都是一个类，需要实例化后，调用相应的方法，以tf.keras.metrics.Mean为例
使用贝叶斯优化进行深度神经网络超参数优化
在本文中，我们将深入研究超参数优化。
机器学习中训练和验证指标曲线图能告诉我们什么？
我们在训练和验证模型时都会将训练指标保存成起来制作成图表，这样可以在结束后进行查看和分析，但是你真的了解这些指标的图表的含义吗？
【动手教你学人脸识别：Python实现OpenCv+CNN深度学习网络人脸识别（含完整代码）】
动手教你学人脸识别：OpenCv+CNN深度学习网络实现人脸识别（含完整代码）最近在进行视觉方面的研究，发现人脸识别方向是一个非常火的方向。于是在网络上找了一些Demo来进行实现，但是找了很多Demo发现要么环境版本给的不全，导致到处都是错误，要么效果很差。因此想将自己成功实现的Demo整个环境以及
mmsegmentation 训练自制数据集全过程
mmsegmentation训练自己的数据集，环境配置，数据集制作，训练，预测全过程
基于特征点检测的人脸融合技术
所谓人脸融合：给定输入人脸A、B，输出的人脸C具有A和B共同的特征，是一张全新的人脸，也可以说是一张假脸。人脸融合的过程主要有三步：人脸特征点定位，人脸融合，人脸交换。第一步，通过深度学习训练的模型对两张待融合的图像进行关键点定位；第二步，根据定位结果对人脸进行融合；第三步，将融合得到的人脸交换到待
Faster R-CNN遇到的所有坑及解决方法
Faster RCNN
