毕业设计-基于深度学习的交通标识识别-opencv
毕业设计-基于深度学习的交通标识识别-opencv：随着汽车的普及率的提高，公路路况也变得复杂。因疏忽交通标识和错判 交通信号等因素造成了社会上交通事故许多不可逆的重大的人身伤害和严重财 产损失，交通标识在道路秩序和安全中起着重要作用。交通标识的作用包含丰 富的道路信息，可以及时将重要的交通信息传达
【机器学习之模型融合】Stacking堆叠法
Stacking堆叠法原理透析与应用
YOLOv5、YOLOX、YOLOv6的分析与比较
简单分析了近些年YOLO系列的进步和发展方向
YOLOv5输出端损失函数
YOLOv5输出端
（pytorch）LSTM自编码器在西储数据的异常检测
别睡啦，起来搞学习！学pytorch！
基于Pytorch实现的声音分类
前言本章我们来介绍如何使用Pytorch训练一个区分不同音频的分类模型，例如你有这样一个需求，需要根据不同的鸟叫声识别是什么种类的鸟，这时你就可以使用这个方法来实现你的需求了。源码地址：https://github.com/yeyupiaoling/AudioClassification-Pytor
最新CUDA环境配置教程(ubuntu 20.04 + cuda 11.7 + cuDNN 8.4)
ubuntu 20.04 CUDA 11.7 cuDNN 8.4 环境配置教程 ubuntu 20.04 CUDA 11.7 cuDNN 8.4 环境配置教程1.查看是否有合适的GPU2.查看系统版本,我用的是ubuntu 20.04:3.验证系统GCC版本:4.通过下面的地址下载安装包:这里奉劝各
最新｜全新风格原创YOLOv7、YOLOv5和YOLOX网络结构解析图
分享一下绘制的全新风格 YOLOv5网络结构图、YOLOv7网络结构图和YOLOX网络结构图
padding(卷积中的填充)
一个6x6的图像，3x3的卷积核，每一行卷积的过程类似，如图卷积核每走一步（第一个黑框到第一个绿框），输出一个像素。所以要计算卷积后图像的大小，需要知道图像大小及卷积核大小。(6-3)+1的结果为4，所以得到的卷积图像大小为4x4。公式为(图片大小 - 卷积核大小) + 1，这里的(图片大小 - 卷
Pytorch训练模型损失Loss为Nan或者无穷大（INF）原因
常见原因-1一般来说，出现NaN有以下几种情况：相信很多人都遇到过训练一个deep model的过程中，loss突然变成了NaN。在这里对这个问题做一个总结：1.如果在迭代的100轮以内，出现NaN，一般情况下的原因是因为你的学习率过高，需要降低学习率。可以不断降低学习率直至不出现NaN为止，一般来
基于深度学习的自动调制识别（含代码链接）
AMR领域具有代表性的和新模型在四个不同的数据集（RML2016.10a, RML2016.10b, RML2018.01a, HisarMod2019.1）上的实现，为感兴趣的研究人员提供统一的参考。
YOLOv5、v7改进之二十六：改进特征融合网络PANet为ASFF自适应特征融合网络
在每个空间位置，将不同级别的特征自适应地融合在一起，例如：若某位置携带矛盾的信息，则这些特征将会被滤除，若某位置的特征带有更多的区分性线索，则这些特征将会被增强。解决问题：原YOLOv5模型特征融合网络为PANet，虽然较FPN能更好的融合不同尺度目标的特征，从而提升效果，但是还存在改进的空间，还有
《一文搞懂IoU发展历程》GIoU、DIoU、CIoU、EIoU、αIoU、SIoU
汇总IoU发展历程，建议收藏！
ConvLSTM时空预测实战代码详解
ConvLSTM代码复现
【swinUnet官方代码测试自己的数据集（已训练完毕）】
swinUnet官方代码测试自己的数据集
MMPose姿态估计+人体关键点识别效果演示
MMPose开源姿态估计算法库，进行了人体关键点的效果演示。（包括肢体，手部和全身的关键点，还尝试了MMPose实时效果）
NeRF 源码分析解读（一）
对 pytorch 版本的 NeRF 代码进行解析注释
Deformable DETR 实战（训练及预测）
Deformable DETR的训练及预测
复现开源论文代码总结
复现开源论文代码总结
