初学树莓派——（六）树莓派安装OpenCV及USB摄像头配置
目录1、安装OpenCV1.1前言1.2换源及源内容更新1.3安装依赖1.4下载whl包1.5安装OpenCV1.6检查安装2、USB摄像头配置（同时检查OpenCV安装情况）2.1前言2.2Python调用cv2库来检查是否安装到位1、安装OpenCV1.1前言 此处对流 浪 猫表示感谢，本文参考
STGCN时空图卷积网络:用于交通预测的深度学习框架
提出了一种新的深度学习架构——时空图卷积网络，用于交通预测任务。该架构包括几个时空卷积块，它们是图卷积层[Defferrard等人，2016]和卷积序列学习层的组合，以建模空间和时间依赖性。据我们所知，在交通研究中应用纯卷积结构同时从图结构时间序列中提取时空特征尚属首次。我们在两个真实世界的交通数据
轴承故障诊断领域的论文到底有多水
这个是最让人困惑的，就好像你说自己证明了某个方法更好，但是你却没有交代自己怎么做的，或者说你交代的过程有外行话或者逻辑上的缺陷，但是你就这么给出个结果完事了。由于自己没有足够大的学术交流圈子，为了尽量避免误判，我在原来13篇论文的基础上又读了18篇，这些论文至少都出自中文核心，有一些还有EI的tit
射频测试基础知识总结
表示可以辐射到空间的电磁频率，频率范围从300KHz～110GHz之间，射频简称RF，是高频交流变化电磁波的简称，其每秒变化小于1000次被称为低频电流，超过10000次的称为高频电流，而射频就是这种高频电流。为了确保天线接收的信号能够在接收机的最后一级被正确的恢复，一个好的低噪音放大器需要在放大信
深度学习之YOLOv5实践应用（3-1）人头检测模型
参考：基于yolov5训练人头检测模型 - 知乎一、数据集下载地址：链接：四、模型训练1. 数据集目录配置在data文件夹下创建head.yaml，此文件设置类别数量，类别名称以及数据集的路径。内容如下图所示：head.yaml2. 预训练模型从 yolov5 github 源码地址下载预训练 y
YOLOv5量化调优
YOLOv5量化调优经验
【ChatGPT】AI 2.0 时代：拥抱先进的生产力
未来50年将是一个充满机遇和挑战的时代，我们需要不断学习和创新，积极投资和参与，与时俱进，抢占自己的生态位，成为新时代的领军人才和创新者。
【手撕Transformer】Transformer输入输出细节以及代码实现（pytorch）
文章目录举例讲解transformer的输入输出细节encoderpaddingPadding MaskPositional EmbeddingattentionFeedForwardadd/Normencoder输入输出decoderSequence Mask测试Transformer pyto
基于Vision Transformer的图像去雾算法研究与实现(附源码)
基于Vision Transformer的图像去雾算法研究与实现
人工智能大模型多场景应用原理解析
生成式人工智能是一种基于深度学习的AI技术，其通过学习海量数据中的规律和模式，能够生成新的数据、图像、语言等内容。这种技术在各个行业的应用都能够带来巨大的商业价值作为一个普通人我们应该如何把握住这次技术变革的浪潮呢？
GitHub推出 “AI程序员” 代码补全利器 [Copilot ] VS Code 和Idea都可以使用
GitHub Copilot 是在数十亿行公共代码上训练的，由 OpenAI 开发的全新 AI 系统 OpenAI Codex 提供支持。可以在 VS Code，Idea编辑器中自动完成代码片段。相比于市面上一些编程辅助工具，Copilot 的上下文理解能力要强大得多。无论是在文档字符串、注释、函数
时间序列模型SCINet模型（自定义项目）
时间序列模型SCINet模型如何自定义项目，并在kaggle上使用，以及如何进行参数调节
TransFuse跑自己的数据集
基于Transformer的语义分割
学习率设置
本篇主要学习神经网络超参数学习率的设置，包括人工调整和策略调整学习率。在模型优化中，常用到的几种学习率衰减方法有：分段常数衰减、多项式衰减、指数衰减、自然指数衰减、余弦衰减、线性余弦衰减、噪声线性余弦衰减。......
最新CUDA环境配置(Win10 + CUDA 11.6 + VS2019)
本文介绍如何在win10系统中搭建CUDA + VS2019的开发环境CUDA是目前做人工智能, 深度学习等方向的必备工具库. 由CUDA衍生出的加速工具很多, 如: cuDNN, TensorRT, cuBLAS等HPC加速库, 或者涉及最新的元宇宙概念中的Omniverse等.
MAE：视觉自监督2021（原理+代码）
MAE论文「Masked Autoencoders Are Scalable Vision Learners」证明了 masked autoencoders（MAE） 是一种可扩展的计算机视觉自监督学习方法。遮住95%的像素后，仍能还原出物体的轮廓，效果如图：本文提出了一种掩膜自编码器 (MAE)架
详解机器人标定
这里是机器人在取料之前，先把自己的角度补正到与 物料当前角度一致，到(X’,Y’)位置处，然后移动 CDx,Cdy，与物料位置也重合，然后去取料。可以使用实物标定，机器人抓住工件摆放9个位置，得到9个机械坐标，相机也得到9个像素坐标，（机器人每次需要回到固定位置拍照），然后标定。(X0,Y0)为旋转
【OpenCV】红绿灯识别 轮廓识别 C++ OpenCV 案例实现
本文以实现行车过程当中的红绿灯识别为目标，核心的内容包括：OpenCV轮廓识别原理以及OpenCV红绿灯识别的实现具体步骤
语义分割系列25-BiSeNetV2（pytorch实现）
本文介绍了BiSeNetV2的论文思路和模型结构，给出了BiSeNetv2的模型代码实现，在Camvid数据集上进行测试，所有代码都基于pytorch框架。
机器学习线性回归——实验报告
机器学习实验报告3：线性回归
