【强化学习】策略梯度算法中的损失函数
策略梯度算法的推导，策略梯度算法的实现，策略梯度算法的损失函数的理解。
torch.randn的用法
torch.randn的用法
使用150元矿渣卡，无需公网IP和注册域名，在家搭建自己的全球AI绘画服务器
在Linux系统下使用高性价比的P104显卡搭建深度学习服务器，部署可以从外网访问的私人AI绘画服务。
MagicThoughts｜让ChatGPT变得更智能的Finetuned数据集
现有的ChatGPT，除了稳定性有待提高、内容准确度有待提升外，想要做到垂直领域商业应用的“定制化”，还是一件很难的事。
表格识别技术综述
近几年表格识别技术的总览，包括ICDAR2019、ICDAR2021、ICCV2021、ACM MM 2021、各大厂表格识别技术
狗都能看懂的CenterNet讲解及代码复现
狗都能看懂的CenterNet讲解及代码复现
经典文献阅读之--PL-SLAM(点线SLAM)
之前作者基本都在围绕着特征点提取的路径在学习，最近看到了最近点云PCL推送的《Structure PLP-SLAM: Efficient Sparse Mapping and Localization using Point, Line and Plane for Monocular, RGB-D
【JavaScript+自然语言处理+HTML+CSS】实现Web端的智能聊天问答客服实战（附源码 超详细必看）
【JavaScript+自然语言处理+HTML+CSS】实现Web端的智能聊天问答客服实战（附源码 超详细必看）
深度学习部署(十九): CUDA RunTime API YOLOV5后处理cpu解码以及gpu解码
这是一个使用CPU和GPU解码YOLOv5，它可以在CPU和GPU上分别实现目标检测的加速，相比较于仅在CPU上运行的实现，GPU实现可以显著地提高检测速度。此外，该项目提供了一个端到端的实现流程，包括数据预处理、模型加载、前向推理、NMS等核心算法的实现，能够帮助我们深入理解目标检测的算法原理和实
【深度学习】嵌入式人工智能概述
嵌入式人工智能概要
生成A-LOAM运行轨迹文件并用EVO工具绘制
针对轨迹绘制问题，主要包含两个具体问题：其一，怎么让算法生成轨迹文件？其二，怎么使用EVO工具？A-LOAM算法作为最简单的激光SLAM算法，故本文以该算法为例进行学习和调试。安装evo，绘制kitti数据集真值轨迹，修改aloam代码生成tum格式的轨迹文件，用evo绘制所得轨迹
SLAM数据集TUM，KITTI，EuRoC数据集的下载地址与真实轨迹文件的查找
在SLAM的学习过程中，不可避免的会用到这些数据集来运行程序，并且还会将运行轨迹与相机真实轨迹作对比，下面就介绍SLAM常用数据集TUM，KITTI，EuRoC数据集的下载地址与真实轨迹文件的查找。
基于SwinTransformer+UNet的遥感图像语义分割
目录摘要1.Introduction摘要全局上下文信息（context information）对于遥感图像的语义分割至关重要。然而，现有的大多数方法都依赖于卷积神经网络（CNN），由于卷积运算的局部性（locality），直接获取全局上下文信息充满了挑战性。受具有强大全局建模能力的Swin tra
全15万字丨PyTorch 深度学习实践、基础知识体系全集；忘记时，请时常回顾。
本篇博客介绍的知识是——深度学习之PyThon框架基础。这是深度学习/神经网络的基础，多次回顾，会有不一样的感受。书读百遍，其义自见。
叶面积指数（LAI）介绍以及遥感估算方法
叶面积指数介绍以及遥感估算LAI方法，并附加代码到文中。
点云配准--gicp原理与其在pcl中的使用
在概率模型中假设存在配准中两个点集, A^={ai^}\hat{A}=\left\{\hat{a_{i}}\right\}A^={ai^} and B^={bi^}\hat{B}=\left\{\hat{b_{i}}\right\}B^={bi^},并且假设 AAA and BBB 分别服从
全网独家首发｜极致版YOLOv7改进大提升（推荐）网络配置文件仅24层！更清晰更方便更快的改进YOLOv7网络模型
极致版YOLOv7改进大提升（推荐🌟🌟🌟🌟🌟）网络配置文件仅24层！更清晰更方便更快的改进YOLOv7网络模型
【2023-Pytorch-检测教程】手把手教你使用YOLOV5做电线绝缘子缺陷检测
绝缘子作为输电环节中的重要设备，在支撑固定导线，保障绝缘距离的方面有着重要作用。深度学习技术的大量应用，计算机运算性能的不断提高，为无人机准确识别和定位绝缘子，实时跟踪拍摄开辟了新的解决途径。本文对输电线路中绝缘子进行识别及定位，利用深度学习技术采取基于YOLOv5 算法的目标检测手段，结合绝缘子数
论文速读Backbone系列一：点云Transformer结合、PointNet++改进、点云卷积核设计
如有错误，恳请指出。对一些经典论文进行快速思路整理，以下内容主要关注的是3d点云的backbone设计，包括transformer的应用，卷积核的设计，PointNet++网络的改进。1）提出Offset Atention，在原本的self-attention中的LBR(Fa)改为LBR(Fin-F
丢弃法(Dropout)——原理及代码实现
丢弃法(Dropout)原理及代码实现
