YOLOv8改进 | 图像去雾 | 利用图像去雾网络AOD-PONO-Net网络增改进图像物体检测
官方论文地址：官方论文地址点击即可跳转官方代码地址：官方代码地址点击即可跳转这篇论文提出了一种名为全能去雾网络（AOD-Net）的图像去雾模型，该模型是基于重新制定的大气散射模型并利用卷积神经网络（CNN）构建的。与大多数先前的模型不同，AOD-Net不是分别估计传输矩阵和大气光，而是直接通过一个轻
【图像配准】CVPRW21 - 深度特征匹配 DFM
论文解读《DFM: A Performance Baseline for Deep Feature Matching》，用于图像配准/图像匹配的深度特征匹配方法DFM。模型无需训练，利用预训练模型，采用DNNS和HRA策略即可达到SOTA性能。
奶奶看了都会，AI翻唱，RVC声音模型训练制作教学，附 派蒙模型
AI翻唱，AI模型训练
深度学习与机器学习：互补共进，共绘人工智能宏伟蓝图
深度学习和机器学习是人工智能领域的两个重要分支，它们各自具有独特的优势，并在多个层面紧密相连。深度学习通过深度神经网络结构，展现出强大的数据处理能力，能够自动学习数据的特征提取，适用于语音识别、自然语言处理、计算机视觉等领域。而传统机器学习则更加注重模型的简单性和可解释性，依赖于人工设计的特征和算法
最新！最全！深度学习特征提取主干网络总结（内含基本单元结构代码）
接下来为每个模型提供基本结构的代码，并对其亮点进行简要描述。
【深度学习】BERT变体—RoBERTa
RoBERTa是的BERT的常用变体，出自Facebook的。来自Facebook的作者根据BERT训练不足的缺点提出了更有效的预训练方法，并发布了具有更强鲁棒性的BERT：RoBERTa。RoBERTa通过以下四个方面改变来改善BERT的预训练:在MLM任务中使用动态掩码而不是静态掩码；移除NSP
Chronos: 将时间序列作为一种语言进行学习
这是一篇非常有意思的论文，它将时间序列分块并作为语言模型中的一个token来进行学习，并且得到了很好的效果。
秒懂AI-深度学习五大模型：RNN、CNN、Transformer、BERT、GPT简介
BERT是一种基于Transformer的预训练语言模型，它的最大创新之处在于引入了双向Transformer编码器，这使得模型可以同时考虑输入序列的前后上下文信息。GPT也是一种基于Transformer的预训练语言模型，它的最大创新之处在于使用了单向Transformer编码器，这使得模型可以更
YOLOv8改进 | 主干篇 | 轻量级的低照度图像增强网络IAT改进YOLOv8暗光检测（全网独家首发）
本文给大家带来的改进机制是轻量级的变换器模型：Illumination Adaptive Transformer (IAT)，用于图像增强和曝光校正。其基本原理是通过分解图像信号处理器（ISP）管道到局部和全局图像组件，从而恢复在低光或过/欠曝光条件下的正常光照sRGB图像。具体来说，IAT使用注意
使用GaLore在本地GPU进行高效的LLM调优
，GaLore可以让我们在具有24 GB VRAM的消费级GPU上微调7B模型。结果模型的性能与全参数微调相当，并且似乎优于LoRA。
【深度学习】【部署】Flask快速部署Pytorch模型【入门】
【深度学习】【部署】Flask快速部署深度学习模型【入门】
AllenAI 开源了关于大模型的所有细节！数据、代码、参数、训练过程，完全复现
这些计划的发布将有助于研究目前尚不甚了解的模型方面，例如预训练数据与模型能力之间的关系、设计和超参数选择的影响，以及各种优化方法对模型训练的影响。OLMo模型的训练过程也不例外。需要注意的是，这些估算值应被视为下限，因为它们没有包括其他排放源，如硬件和数据中心基础设施的制造、运输和处置过程中的固有排
爆肝3W多字，100多张配图！深度学习从小白到精通一篇博文帮你打开人工智能的大门建议收藏不容错过！！！
在介绍深度学习之前，我们先看下这幅图：人工智能>机器学习>深度学习。深度学习是机器学习的⼀个子集，也就是说深度学习是实现机器学习的一种方法。与机器学习算法的主要区别如下图所示：传统机器学习算术依赖人工设计特征，并进行特征提取，而深度学习方法不需要人工，而是依赖算法自动提取特征，这也是深度学习被看做黑
BurstAttention:可对非常长的序列进行高效的分布式注意力计算
而最新的研究BurstAttention可以将2者结合，作为RingAttention和FlashAttention之间的桥梁。
【深度学习：大模型微调】如何微调SAM
Segment Anything 模型 （SAM） 是由 Meta AI 开发的细分模型。它被认为是计算机视觉的第一个基础模型。SAM在包含数百万张图像和数十亿个掩码的庞大数据语料库上进行了训练，使其非常强大。顾名思义，SAM 能够为各种图像生成准确的分割掩码。SAM 的设计允许它考虑人类提示，使其
毕业设计：基于深度学习的人流量检测系统 人工智能
毕业设计：基于深度学习的人流量检测系统旨在解决传统方法存在的效率低下和准确性不稳定等问题。该系统在人流量检测方面取得了显著成果，具有较高的准确率和实时性。还详细介绍了数据集的自制过程和数据扩充技术，为计算机毕业设计提供了一个创新的研究方向。该课题结合了深度学习和计算机视觉技术，为毕业生提供了一个有意
毕业设计：基于机器学习的工地员工安全着装识别系统 目标检测
毕业设计：基于机器学习的工地员工安全着装识别系统通过采用先进的深度学习算法，系统能够自动识别工地员工是否佩戴了必要的安全装备。该系统综合考虑了工地员工的图像特征和相关安全装备的模式，通过构建合适的特征向量和训练数据集，实现了高效准确的安全着装识别。对于计算机专业、软件工程专业、人工智能专业、大数据专
文生图的基石CLIP模型的发展综述
Open AI在2021年1月份发布的DALL-E和CLIP，这两个都属于结合图像和文本的多模态模型，其中DALL-E是基于文本来生成模型的模型，而CLIP是用文本作为监督信号来训练可迁移的视觉模型。
AI：150-基于深度学习的医学数据挖掘与病症关联发现
AI：150-基于深度学习的医学数据挖掘与病症关联发现本文介绍了基于深度学习的医学数据挖掘与病症关联发现。随着医疗信息技术的发展，医学数据的积累已经成为一种常态，但利用这些数据挖掘潜在的病症关联是一项具有挑战性的任务。传统的数据挖掘方法需要大量的人力和时间，并且往往只能发现表面上的相关性。随着深度学
