深度学习参数初始化（一）Xavier初始化 含代码
Xavier初始化也称为Glorot初始化，因为发明人为Xavier Glorot。Xavier initialization是 Glorot 等人为了解决随机初始化的问题提出来的另一种初始化方法，他们的思想就是尽可能的让输入和输出服从相同的分布，这样就能够避免后面层的激活函数的输出值趋向于0。..
【愚公系列】华为云系列之ModelArts搭建中文语音识别系统
ModelArts是面向AI开发者的一站式开发平台，提供海量数据预处理及半自动化标注、大规模分布式训练、自动化模型生成及端-边-云模型按需部署能力，帮助用户快速创建和部署模型，管理全周期AI工作流。“一站式”是指AI开发的各个环节，包括数据处理、算法开发、模型训练、模型部署都可以在ModelArts
Transformer到底为何这么牛
深度学习自出生以来就不被看好，随着计算机的发展和硬件条件的提升，这种大规模计算的深度学习才重新焕发光芒。但是我们都知道深度学习，甚至是深度强化学习的效率太慢了，人类只需要重复学习几次，甚至几十次就可以学会的东西，深度学习需要成千上万次，不得不感叹深度学习算法的学习真的太慢了。深度学习的学习效率问题是
可视化CNN和特征图
卷积神经网络(cnn)是一种神经网络，通常用于图像分类、目标检测和其他计算机视觉任务。CNN的关键组件之一是特征图，它是通过对图像应用卷积滤波器生成的输入图像的表示。
图像修复（Image Restoration）算法数据集详细介绍
图像修复（Image Restoration）算法数据集详细介绍：人脸数据集【1.Helen Face 2.CelebA (Celebrity Attribute) 3.CelebA-HQ 4.FFHQ（Flickr-Faces-HQ）】场景数据集【1.MS COCO (Common Obje
百度「文心一言」阿里「通义千问」腾讯的AI将会叫什么呢
阿里于昨天2023.4.7下午上线通义千问，与ChatGPT类似，同样是基于语言模型训练的人工智能聊天平台。通义千问的核心功能分为四个大类：撰写短文、职场助理、电影脚本和写封邮件。
毕业设计-基于 MATLAB 的图像边缘检测算法的研究和实现
毕业设计-基于 MATLAB 的图像边缘检测算法的研究和实现：二十世纪五十年代，人们开始提出一些数字图像处理的技术，是通过计算机对图像 所包含的信息进行加工和处理后，使得图像中的信息能够为我们所用。从早期的报纸业， 到 1964 年，在航天领域中，有里程碑作用的“旅行者七号”太空船在太空中拍摄了月
Stable Diffusion安装教程、model导入教程以及精品promt指令
Stable Diffusion安装教程、model导入教程以及精品promt指令
YOLO系列模型改进指南
YOLO主流模型改进大杂烩！！！目前包含yolov5，yolov7，yolov8模型的众多改进方案，效果因数据集和参数而定，仅供参考。
【视觉SLAM14讲】【汇总】
第一讲东西少，就没记录【slam十四讲第二版】【课本例题代码向】【第二讲初识SLAM】【SLAM基础知识】【linux下C++编译】【cmake基础使用】【slam十四讲第二版】【课本例题代码向】【第三~四讲刚体运动、李群和李代数】【eigen3.3.4和pangolin安装，Sophus及fim的
GPU版本PyTorch详细安装教程
注意：30系列的的显卡暂时不支持cuda11以下版本！！！一、安装显卡驱动第一步：右击右下角开始，在设备管理器中查看计算机显卡型号，例如我的显卡是GTX1050：第二步：进入英伟达官网，下载对应显卡驱动：官方驱动 | NVIDIAhttps://www.nvidia.cn/Download/inde
CentOs7 + Stable Diffusion + Novel AI实现AI绘画
把改名后的三个文件放到/stable-diffusion-webui/models/Stable-diffusion目录下，重启Stable Diffusion后左上角选择nai模型。整个内容很大，有52G，只需下载stableckpt目录下的animefull-final-pruned文件夹以及a
【交通数据（1）——加州高速路网PeMS交通数据】
交通数据（1）——加州高速路网PeMS交通数据一、PeMS数据介绍1. 数据简介二、相关数据下载1.引入库2.读入数据一、PeMS数据介绍1. 数据简介 使用PeMS，用户可以对高速公路性能进行统一、全面的评估，基于对高速公路网络当前状态的了解做出运营决策，分析拥堵瓶颈以确定潜在的补救措施，并做出
被称为下一代风口的AIGC到底是什么？
AIGC超级干货，快速了解AI新潮
UNet语义分割实战：使用UNet实现对人物的抠图
摘要在上一篇文章，我总结了一些UNet的基础知识，对UNet不了解的可以看看，文章链接：https://wanghao.blog.csdn.net/article/details/123714994我也整理的UNet的pytorch版本，文章链接：https://blog.csdn.net/hhhh
3D深度相机---结构光
去年的仪器仪表的课有汇报，我还专门为3D深度像机做了个调研，一直用inter realsense的，最近老师让看结构光方案的，正好总结一下。由于基于双目立体视觉的深度相机对环境光照强度比较敏感，且比较依赖图像本身的特征，因此在光照不足、缺乏纹理等情况下很难提取到有效鲁棒的特征，从而导致匹配误差增大甚
关于yolov8一些训练的情况
1、使用yolov8s训练(2000轮，真就一直训到了2000轮，不会象是yolov5一样收敛了就不训了)第一次map50=0.915，第一次训练依旧是2000轮，依旧是训练跑完2000轮了，map=0.91,map相差了0.5个点。(训练结果被我删除了，因为上面那个错误，然后我把run文件夹全部删
DDPG 代码调试问题
DDPG的一些问题整理：包括多维动作ddpg，ddpg取边界值，动作加约束的问题，尤其是添加动作约束后网络参数梯度为None这一块，很少有文章结合DDPG网络具体讲，因此把我的解决过程记录下来
OpenCV实战（17）——FAST特征点检测
Harris 算子根据两个垂直方向上的强度变化率给出了角点(或更一般地说，兴趣点)的数学定义。但使用这种定义需要计算图像导数，计算代价较为高昂，特别是兴趣点检测通常只是更复杂算法的先决步骤。在本中，我们将学习另一个特征点检测算子 FAST (Features from Accelerated Seg
SeAFusion:首个结合高级视觉任务的图像融合框架
在SeAFusion发表之前，关于图像融合的研究一直在魔改网络，设计loss function， 调整学习范式中徘徊，SeAFusion给与了我们新的启发，即联系高级视觉任务来研究图像融合。尽管SeAFusion的方法设计还比较简单，但是这也给了我们更多的优化空间。此外之前感觉大家觉得红外和可见光图
