AI：247-YOLOv8改进 | 基于ContextGuided的轻量级下采样方法实现大幅度性能提升
通过引入残差连接，减缓信息丢失，并促进梯度流动。：利用密集连接方式，增强特征重用，提高信息传递效率。：引入注意力机制，动态调整下采样过程中的特征权重。本文介绍了在YOLOv8中引入的ContextGuided下采样方法，以提升目标检测性能，特别是对小目标的检测效果。通过在YOLOv8的Backbon
【人工智能】枢纽：数据驱动洞察引领未来智能系统
人工智能是当今最具革命性的技术之一，从基础的机器学习、深度学习到更复杂的自然语言处理和强化学习，AI技术正在深刻影响各个行业。然而，随着技术的发展，AI也带来了伦理和安全方面的挑战。通过掌握人工智能的基本原理、算法和实际应用，未来的研究和工程师可以在这个领域继续推动创新并解决现实问题。
基于YOLO的植物病害识别系统：从训练到部署全攻略
使用Kaggle上的植物叶片病害数据集，包含多种植物叶片的病害图像和标注。数据集下载链接：https://www.kaggle.com/datasetsYOLO (You Only Look Once) 是一种快速准确的目标检测模型。YOLOv8/v7/v6/v5 是不同版本的YOLO模型，性能和速
ai工具推荐系列：文生图，图生图工具liblibAi
介绍一款比较专业的文生图工具
torch.nn.Linear的维度变换过程详解（有图有公式有代码）
当初在学习nn.Linear时了解到的博客都是关于一维变换的，比如输入3通道，输出6通道；又比如得到（3，4，4）的特征图，需要进行拉平为（48，）的向量，然后通过nn.Linear（48，10）得到10个输出（分类任务很常见）。nn.Linear除了可以进行分类，主要的作用就是改变维度便于下一个卷
深度学习笔记 # Datawhale X 李宏毅苹果书 AI夏令营
从零基础开始深度学习
如何解决NVIDIA显卡报错：uncorrectable ECC error的问题
线上问题出现的时候，如果国内的百度搜不到解决方案，就试试国际的Google，办法总比困难多。
《RMT: Retentive Networks Meet Vision Transformers》CVPR2024
这篇论文探讨了将Retentive Network（RetNet）的概念引入到计算机视觉领域，并与Vision Transformer结合，提出了一种新的模型RMT（Retentive Networks Meet Vision Transformers）。RetNet最初在自然语言处理（NLP）领域
AI模型应根据应用场景选择全能型或者专精型
AI模型的发展方向，在追求全能与专精之间并非简单的二选一，都取决于其应用场景、设计目标以及技术可行性等多个因素。这两种策略各有优势和局限性。综上所述，AI模型的发展策略应根据具体情况进行权衡和选择，既可以考虑追求专精以提高特定任务的性能，也可以考虑追求全能以提高模型的通用性和适应性。
YOLOv5改进 | 融合改进 | C3融合可变核卷积AKConv【附代码+小白可上手】
yolov5，模块融合，yolov5改进，C3_AKConv
cuda安装使用问题，print(torch.cuda.is_available())，仍然输出false，如何解决？
🏆本文收录于《CSDN问答解惑-专业版》专栏，主要记录项目实战过程中的Bug之前因后果及提供真实有效的解决方案，希望能够助你一臂之力，帮你早日登顶实现财富自由🚀；同时，欢迎大家关注&&收藏&&订阅！持续更新中，up！up！up！！
Segment-anything学习到微调系列3_SAM微调decoder
SAM初步理解，简单介绍模型框架，不涉及细节和代码SAM细节理解，对各模块结合代码进一步分析SAM微调实例，原始代码涉及隐私，此部分使用公开的VOC2007数据集，Point和Box作为提示进行mask decoder微调讲解本篇是第3部分，基于voc2007数据集对SAM decoder进行微调。
人工智能深度学习系列—探索余弦相似度损失：深度学习中的相似性度量神器
在机器学习和模式识别领域，评估样本间的相似性是一项基本而关键的任务。余弦相似度损失（Cosine Similarity Loss）作为一种衡量向量间相似度的损失函数，在深度学习中被广泛用于相似性度量问题。本文将详细介绍余弦相似度损失的背景、计算方法、使用场景、代码实现及总结。**余弦相似度是两个向量
Datawhale X 李宏毅苹果书 AI夏令营 Task 1- 3.1 局部极小值与鞍点+ 3.2 批量和动量
局部极小值点与鞍点是什么，以及跳出它们的方法。
YOLOv5改进 | 注意力机制 | 二阶注意力网络来进行单图像超分辨率【附网盘完整代码】
yolov5改进，yolov5涨点，yolov5，SOCA
基于Joint BERT模型的意图识别技术实践
意图识别在诸多领域已经有了非常广泛的应用，例如各个品牌的智能语音助手，如今多模态模型能力迅猛增长，与LLM交流方式变得多样化，为了给LLM提供高质量有价值的上下文嵌入信息，引入意图识别变得尤为重要，其不仅能够过滤掉大部分无用但又不得不加入pipline的工具，还可以极大优化整个pipline的响应时
点云3D检测篇三：SECOND
点云数据与传统的图像数据不同，具有较强的稀疏性，无法使用标准的卷积神经网络进行特征提取，如图2所示。同理，考虑到2D任务中如果只处理一部分像素，标准卷积的效果也不好，需要使用2D的稀松卷积，因此本小节就从2D稀疏卷积出发，介绍一下稀疏卷积的原理，大家可以自行将其拓展到3D稀疏卷积中去，其实就多了一个
Datawhale X 李宏毅苹果书 AI夏令营task1笔记
本章主要介绍深度学习常见的一些概念，方便我们从不同的角度来更好地优化神经网络。
深入理解变分图自编码器（VGAE）：原理、特点、作用及实现
图神经网络（Graph Neural Networks, GNNs）在处理图结构数据方面展现出强大的能力。其中，变分图自编码器（Variational Graph Auto-Encoder, VGAE）是一种无监督学习模型，广泛用于图嵌入和图聚类任务。本文将深入探讨VGAE的原理、特点、作用及其具体
