论文推荐：DCSAU-Net，更深更紧凑注意力U-Net
这是一篇23年发布的新论文，论文提出了一种更深、更紧凑的分裂注意力的U-Net，该网络基于主特征守恒和紧凑分裂注意力模块，有效地利用了底层和高层语义信息。
马上要面试了，还有八股文没理解？让ChatGPT来给你讲讲吧——如何更好使用ChatGPT？
总结一下，我感觉 ChatGPT 是一个新型搜索引擎，在某些场景下能够提供比传统搜索引擎更强大更高效的搜索效率。完全依靠 ChatGPT 去做一些稍微复杂的任务，目前来看还是不现实的。比如让 ChatGPT 写代码，目前它的水平只能写一写简单的 demo，而且经常需要手工修复一些细节错误。但是让它作
1DCNN原理详解
一维卷积神经网络（1DCNN）前向计算原理详解
SPSS：主成分分析确定不同指标权重
SPSS实现主成分分析确定指标权重
AI未来十年新范式，生成式人工智能的挑战与机遇
2023年3月18日，CSIG图像图形企业行活动拉开帷幕，介绍AI未来十年发展新范式...
逻辑回归（LogisticRegression）中的参数（详解）
LogisticRegression(penalty='l2', dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver=
yolov7开源代码讲解--训练代码
以前看CNN训练代码的时候，往往代码比较易懂，基本很快就能知道各个模块功能，但到了后面很多出来的网络中，由于加入了大量的trick，导致很多人看不懂代码，代码下载以后无从下手。训练参数和利用yaml定义网络详细过程可以看我另外的文章，都有写清楚。其实不管什么网络，训练部分大体都分几个部分：1.网络的
（学习笔记）图像处理——高斯滤波、高斯模糊、高斯锐化
一种根据高斯函数的形状来选择权值的线性平滑滤波器，适用于高斯噪声的滤除，在图像处理中应用广泛。高斯滤波是指用高斯函数作为滤波函数，如果高斯低通则是高斯模糊，如果高通则是高斯锐化。
各CCFA类核心期刊的信息汇总与评价总结(科技领域）
主要包括：自动化学报，计算机学报，计算机研究与发展，电子学报，软件学报 ，计算机辅助设计与图形学学报，中国科学:信息科学
迁移学习-如何使用预训练权重，冻结部分层权重训练
迁移学习在计算机视觉领域中是一种很流行的方法，因为它可以建立精确的模型，耗时更短。利用迁移学习，不是从零开始学习，而是从之前解决各种问题时学到的模式开始。这样，我们就可以利用以前的学习成果。
超参数调优框架optuna（可配合pytorch）
全自动超参数调优框架——optuna
YOLOv5改进之添加注意力机制
本文主要给大家讲解一下，如何在yolov5中添加注意力机制，这里提供SE通道注意力的改进方法，其他注意力的添加方法，大同小异首先找到SE注意力机制的pytorch代码class SELayer(nn.Module): def __init__(self, c1, r=16): s
python 施密特标准正交化 + 判断矩阵是否正交（亲测！）
python 矩阵/向量组的施密特标准正交化
时间序列分析模型详细讲解
时间序列也称动态序列，是指将某种现象的指标数值按照时间顺序排列而成的数值序列。本文结合SPSS介绍了三种常用的模型 —— 季节分解、指数平滑模型、ARIMA模型，可供数学建模时使用。
【深度学习经典网络架构—8】：注意力机制之SE_Block
😺一、引言类似于人脑的注意力感知，那卷积神经网络能否也能产生注意力效果呢？答案是：**可以！****SE_Block是SENet的子结构**，作者将SE_Block用于ResNeXt中，并在ILSVRC 2017大赛中拿到了分类任务的第一名，在ImageNet数据集上将top-5 error降低到
详解准确率acc、精确率p、准确率acc、F1 score
准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 Score
GPT-4——比GPT-3强100倍
ChatGPT的地位可能即将被自家的GPT-4超越。
微软提出AIGC新“玩法”，图灵奖得主Yoshua Bengio也来了！
在AIGC取得举世瞩目成就的背后，基于大模型、多模态的研究范式也在不断地推陈出新。微软研究院作为这一研究领域的佼佼者，与图灵奖得主、深度学习三巨头之一的Yoshua Bengio一起提出了AIGC新范式——Regeneration Learning。这一新范式究竟会带来哪些创新变革？本文作者将带来他
一文详解 ChatGPT：背后的技术，数据，未来发展
LM有基于大量训练数据的天然的迁移学习能力，但要在新域上获得较好的性能，使用Fine-tuning，就要求重新多次训练预训练模型，导致吃内存。ChatGPT 的卓越表现得益于其背后多项核心算法的支持和配合，包括作为其实现基础的 Transformer 模型、激发出其所蕴含知识的 Prompt/Ins
相机标定和双目相机标定标定原理推导及效果展示
参考了一些大佬的文章，整理了一下相机标定和双目标定的原理和推导。
