语义分割基础讲解
（比如像素0对应的是(0,0,0)黑色，像素1对应的是(127,0,0)深红色，像素255对应的是(224,224,129)）。Labelme是一款非常老的标注工具，使用起来非常简单，就是靠你人工一个个点去标，将我们的目标慢慢的框出来。这个标注工具，基于百度提供的预训练模型，这些模型在一些非常大的数
deeplab v3+ 源码详解
deeplab v3+默认使用voc数据集和cityspace数据集，图片预处理部分仅仅读取图片和对应的标签，同时对图片进行随机翻转、随机裁剪等常见图片预处理方式。
训练集、验证集、测试集的作用和划分比例？
训练集、验证集、测试集的作用和划分比例？
论文解读 ——TimesNet 模型
TimeNets 模型
YOLOV7训练自己的数据集以及训练结果分析(手把手教你)
YOLOV7训练自己的数据集以及训练结果分析(手把手教你)
high-resolution image synthesis with latent diffusion models
vae的生成器，是将标准高斯映射到数据样本，vae的后验是将数据样本映射到标准高斯（学出来的）。我现在想要设计一种方法A，使得A用一种简单的变分后验将数据样本映射到标准高斯，并且使得A的生成器，将标准高斯映射到数据样本，注意，因为生成器的搜索空间大于变分后验，vae的效率远不及A方法，因为A是学一个
Pytorch实现GCN(基于PyTorch实现)
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
医学图像的深度学习的完整代码示例：使用Pytorch对MRI脑扫描的图像进行分割
本文我们将介绍如何使用QuickNAT对人脑的图像进行分割。使用MONAI, PyTorch和用于数据可视化和计算的常见Python库，如NumPy, TorchIO和matplotlib。
反射填充详解ReflectionPad2d(padding)
这种填充方式是以输入向量的边界为对称轴，以设定的padding大小为步长，将输入向量的边界内padding大小的元素，对称填充。1）当padding=(2,2,1,1)时，表示向量以左、右、上、下边界为对称轴，左、右、上、下分别填充宽度为2,2,1,1的元素。1）当padding=(1,2)时，表示
2023年目标检测毕业设计(yolov5车辆识别、车辆检测、车牌识别、行人识别)
OpenCV提供的视觉处理算法非常丰富，并且它部分以C语言编写，加上其开源的特性，处理得当，不需要添加新的外部支持也可以完整的编译链接生成执行程序，所以很多人用它来做算法的移植，OpenCV的代码经过适当改写可以正常的运行在DSP系统和ARM嵌入式系统中。车牌区域的定位采用基于形状的方法。车牌的特征
注意力机制（四）：多头注意力
多头注意力（Multi-Head Attention）是注意力机制的一种扩展形式，可以在处理序列数据时更有效地提取信息。在标准的注意力机制中，我们计算一个加权的上下文向量来表示输入序列的信息。而在多头注意力中，我们使用多组注意力权重，每组权重可以学习到不同的语义信息，并且每组权重都会产生一个上下文向
损失函数解读 之 Focal Loss
前言Focal loss 是一个在目标检测领域常用的损失函数，它是何凯明大佬在RetinaNet网络中提出的，解决了目标检测中正负样本极不平衡和 难分类样本学习的问题。论文名称：Focal Loss for Dense Object Detection目录什么是正负样本极不平衡？two-stage
数字孪生及深度学习资源分享专栏
数字孪生及深度学习(姿态识别方向)开源代码分享
YOLO V5 改进详解
YOLO V5 论文详解
关于硕士毕业论文中会议conference的参考文献格式修正GB7714-87#outputstyle#endnote
1问题描述在硕士毕业论文中需要按照GB7714-87的参考文献引用标准对会议论文进行参考文献格式规范GB7714-87中的要求如图：（因为我们文中引用的论文一般 不会是论文集，而是论文集合中析出的一篇文章，so这个格式非常复杂，原本下载的outputstyle中没有现成的格式，所以需要手动修正）
