【论文笔记】CycleGAN（基于PyTorch框架）
CycleGAN（基于PyTorch框架）
OpenCV中的图像处理 —— 霍夫线 / 圈变换 + 图像分割（分水岭算法） + 交互式前景提取（GrabCut算法）
OpenCV中的图像处理 —— 霍夫线 / 圈变换 + 图像分割（分水岭算法） + 交互式前景提取（GrabCut算法）🌎上一节我们介绍了OpenCV中傅里叶变换和模板匹配，这一部分我们来聊一聊霍夫线/圈变换的原理和应用、使用分水岭算法实现图像分割和使用GrabCut算法实现交互式前景提取🏠哈喽
语谱图（一） Spectrogram 的定义与机理
语谱图就是语音频谱图，一般是通过处理接收的时域信号得到频谱图，因此只要有足够时间长度的时域信号就可。专业点讲，那是频谱分析视图，如果针对语音数据的话，叫语谱图。语谱图的横坐标是时间，纵坐标是频率，坐标点值为语音数据能量。由于是采用二维平面表达三维信息，所以能量值的大小是通过颜色来表示的，颜色深，表示
YOLOv5实战之输电线路绝缘子缺陷检测识别
本教程主要是利用YOLOv5算法实现对输电线路绝缘子缺陷进行检测识别。通过无人机搭载相机头云台对输电线路上的绝缘子进行数据采集，挑选出绝缘子上有故障的图片数据，共2000张左右图片，输电线路绝缘子缺陷数据集中的部分图片如下图所示。对收集到的2000张左右绝缘子缺陷数据集进行数据标注， 标注了3种
Openpcdet训练自己的数据集
本人移植其他的数据集，由于我有自己的image数据，已经按照kitti数据集的格式转换为velodyne, calib, label, image四个文件，并且实现了评估，以及最终的检测结果，所以可能和其他博主不一样。这个函数主要用来生成你的数据字典，一般以.pkl后缀，如果你不需要评估，可以将其中
机器学习笔记 - 什么是图注意力网络？
顾名思义，图注意力网络是图神经网络和注意力层的组合。要理解图注意力网络，我们首先需要了解什么是注意力层和图神经网络。首先，我们将看一下对图神经网络和注意力层的基本理解，然后我们将重点介绍两者的结合。让我们看一下图神经网络。图神经处理是数据科学和机器学习领域研究的热点之一，因为它们具有通过图数据进行学
pytorch离线安装
pytorch离线安装
机器学习——感知机
在本部分，我参考了网上多位博文对感知机的不同理解，大家可以根据自己的喜好进行对应的理解。输入为实例的特征向量，输出为实例的类别，取+1和-1；感知机对应于输入空间中将实例划分为正负两类的分离超平面，属于判别模型；导入基于误分类的损失函数；利用梯度下降法对损失函数进行极小化；感知机学习算法具有简单而易
深度学习之快速实现数据集增强的方法
我们在深度学习训练之前准备数据集的时候，特别是打标注的数据集，需要耗费大量的人力物力打标签，在打完的基础我们还可以直接对数据集进行二次增强，即**数据集增强**。
Novel-Ai本地部署教程
今天就来给大家讲解一下如何在本地部署最近很火的ai绘图novel-ai。首先来了解一下novel-ai是什么----其有python模板训练而成可根据使用者提供的关键词来进行ai绘图。
ChatGPT中文版重装上阵
ChatGPT是一款非常强大的NLP模型，可以帮助开发者构建会话式聊天机器人，它可以更加准确地理解用户的意图，并且可以自动生成合理的回复。总之，AI模型市场联手OpenAI推出的新版ChatGPT，可以帮助开发者构建更加智能的聊天机器人，更好地满足用户的需求。它可以更加准确地理解用户的意图，并且可以
GNSS算法相关开源代码（含多传感器融合相关项目）
GNSS算法相关开源代码（含多传感器融合相关项目）
《人工智能及其应用》第3章书后题 | 西电《人工智能导论》作业
《人工智能及其应用》第6版第3章书后题
wFlow(CVPR2022)-虚拟试衣论文解读
CVPR2022，字节&中山大学，提出wFlow，引入3D信息，达到SOTA效果，尤其在自然场景
CUDA-v11.2下载以及相应版本cuDNN
CUDA-v11.2下载以及相应版本cuDNN
从零开始学定位 --- 使用kaist数据集进行LIO-SAM建图
这篇文章的代码其实早都写完了，但是一直没写文章。一方面是工作事情很多，下班也晚，一方面也是自己懒了。接下来的计划是通过这个不太完美的地图跑一下定位。先从odom与imu的融合开始。
特征融合的分类和方法
1、特征融合的定义特征融合方法是模式识别领域的一种重要的方法，计算机视觉领域的图像识别问题作为一种特殊的模式分类问题，仍然存在很多的挑战，特征融合方法能够综合利用多种图像特征，实现多特征的优势互补，获得更加鲁棒和准确性的识别结果。2、特征融合的分类按照融合和预测的先后顺序，分类为早融合和晚融合（Ea
BartForConditionalGeneration的使用细节
详细介绍BartForConditionalGeneration的代码细节，同时给出一些疑难杂症点。
全同态加密：CKKS
不论是 LSB 编码的 BGV，还是 MSB 编码的 BFV，它们的同态运算都是对 $\mathbb Z_t$ 上明文的**精确计算**，因为**密文中的明文空间和噪声空间是分离的**。例如，在 BGV 中是 $te+m$，在 BFV 中是 $\delta m+e$。但是，这种精确计算是在同余意义下
