OCR文字识别经典论文详解
本篇将介绍文字识别经典论文，内容包括文字检测、文字识别、端到端识别等方法，具体将分别对论文算法简介、思路、代码等几个部分展开介绍。目前各部分只举例经典论文，算法没有全部写完，后续会将在此部分基础上更新更多论文综述及代码实战部分。............
机器学习——从0开始构建自己的GAN网络
机器学习——从0开始构建自己的GAN网络
【PyTorch学习（三）】Aurograd自动求导机制总结
Aurograd自动求导机制总结。
Pytorch框架学习路径(七：数据读取机制DataLoader与Dataset)
Pytorch框架学习路径(七：数据读取机制DataLoader与Dataset)，博主手都写断了，大家觉得写的可以的话，给博主点个赞吧
论文推荐：TResNet改进ResNet 实现高性能 GPU 专用架构并且效果优于 EfficientNet
论文首先讨论了面向 FLOP 的优化引起的瓶颈。然后建议更好地利用 GPU 结构的设计。最后引入了一个新的 GPU 专用模型，称其为 TResNet。
【深度学习】AI一键换天
基于视觉的视频天空替换和协调方法，该方法可以在具有可控风格的视频中自动生成逼真的天空背景。与以前的天空编辑方法专注于静态照片或需要集成在智能手机中的惯性测量装置拍摄视频不同，该方法完全基于视觉，对捕获设备没有任何要求，并且可以很好地应用于在线或离线处理场景。...
有空就学学的实例分割1——Tensorflow2搭建Mask R-CNN实例分割平台
Mask R-CNN是He Kaiming大神2017年的力作，其在进行目标检测的同时进行实例分割，取得了出色的效果。其网络的设计也比较简单，在Faster R-CNN基础上，在原本的两个分支上（分类+坐标回归）增加了一个分支进行语义分割，https://github.com/bubbliiiing
初学Yolov1学习心得分享
第一次写博客记录自己的学习分享，开始复现一些经典的YOLO系列论文，首先分享经典的 Yolov1算法。
使用 Numpy 创建自己的深度学习框架
本文并不是为了造轮子，只是通过手动实现来介绍建基本深度学习框架所需组件和步骤
mmrotate旋转目标检测实战指南
旋转目标检测实战指南
COVID-19 Cases Prediction (Regression)
李宏毅教授机器学习课程(2022春)第一节的Homework
python深度学习机器学习必备的学习网站集合！
python深度学习机器学习必备的学习网站集合！
一个新的基于样本数量计算的的高斯 softmax 函数
本文提出了一种基于最小误差界和高斯统计量的softmax函数的安全快速扩展，可以在某些情况下作为softmax的替代
浅谈非极大值抑制和IOU
非极大值抑制，简称NMS，是一种获取局部最大值的有效算法。不管是one-stage还是two-stage，NMS都是其中的重要一环，被广泛应用于各种目标检测算法中。下面以一个例子来简述非极大值抑制在目标检测中的应用。在实际检测过程中，一个目标往往会检测出多个region proposal很多时候，我
PyTorch----实现手写数字的识别
加载手写数字的数据组成训练集和测试集，这里已经下载好了，所以download为Falseimport torchvision# 是否支持gpu运算# device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')# prin
项目实战解析：基于深度学习搭建卷积神经网络模型算法，实现图像识别分类
项目交流群(源码获取，问题解答)：617172764文章目录前言一、基础知识介绍二、数据集收集三.模型训练四.图像识别分类总结前言随着人工智能的不断发展，深度学习这门技术也越来越重要，很多人都开启了学习机器学习，本文将通过项目开发实例，带领大家从零开始设计实现一款基于深度学习的图像识别算法。学习本章
基于神经网络集成学习的研究论文推荐
集成 的概念在机器学习中很常见。集成可以被认为是一种学习技术，可以将许多模型连接起来解决一个问题
【一起入门DeepLearning】中科院深度学习_期末总复习
考试题目主要是计算题（涉及卷积操作，反向传播计算等）和简答题（概念理解），由7道大题组成，比较简单。
PyTorch 全连接层权值共享的手势识别网络
机器人学实验课的考核是，利用机械臂做一下拓展应用，所以花了很多时间来设计了这个神经网络因为这个神经网络的思路比较新颖，而且尝试了一些防止过拟合、性能优化的手段，所以决定记录一下模型性能time FPS FLOTs Params (float16) 4.195 ms 238 9,
在没有训练数据的情况下通过领域知识利用弱监督方法生成NLP大型标记数据集
介绍了弱监督的概念，以及如何使用它来将专家的领域知识编码到机器学习模型中。我还讨论了一些标记模型。在两步弱监督方法中结合这些框架，可以在不收集大量手动标记训练数据集的情况下实现与全监督ML模型相媲美的准确性!
