基于 IMU 的位姿解算
前言参考了一些论文，总结了一些IMU 位姿解算的方法和案例，记录与分享给大家。一、IMU固定在某物体上IMU能 输出了载体的加速度、角速度，通过惯导解算原理获得载体运动的位姿轨迹。进行解算时，还需要消除 IMU 采样数据中存在的误差，以 及过程中产生的误差。将IMU 固定一个物体上，比如固定在机器人
基于PyTorch实现图像去模糊任务详细教程代码+数据
基于PyTorch实现图像去模糊任务详细教程代码+数据
改进YOLOv5系列：9.BoTNet Transformer结构的修改
目标检测小白科研Trick改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数
【联邦学习】联邦学习算法分类总结
联邦学习算法总结，从不同的角度对联邦学习方法进行分类。
翻译: 详细图解Transformer多头自注意力机制 Attention Is All You Need
它们是用于计算和思考注意力的抽象概念。一旦你继续阅读下面的注意力是如何计算的，你就会知道几乎所有你需要知道的关于每个向量所扮演的角色。计算self-attention的第二步是计算一个分数。假设我们正在计算本例中第一个单词“Thinking”的自注意力。我们需要根据这个词对输入句子的每个词进行评分。
通过anaconda升级、安装jupyter notebook内核kernel的python版本
用anaconda升级、安装jupyter notebook内核kernel的python版本
简述YOLOv8与YOLOv5的区别
yolov7,yoloX相关论文还没细看,yolov8就出来了。太卷了！YOLOv5和YOLOv8的区别。
【机器学习笔记】【随机森林】【乳腺癌数据上的调参】
调整完毕，总结出模型的最佳参数score提升效果#调参后的参数减去调参前的参数在整个调参过程之中，我们首先调整了n_estimators（无论如何都请先走这一步），然后调整max_depth，通过max_depth产生的结果，来判断模型位于复杂度-泛化误差图像的哪一边，从而选择我们应该调整的参数和调
图像基本处理(灰度化)
从0开始的机器学习，图像的基本处理，灰度化以及二值化处理
2022年计算领域高质量科技期刊分级目录
2022年计算领域高质量科技期刊分级目录
【代码解读】超详细，YOLOV5之build_targets函数解读。
超详细，yolov5之build_targets函数解读
文心一言发布我怎么看?
中国版ChatGPT可以作为智能客服系统的核心，通过自然语言处理技术来处理客户提出的问题、识别用户需求，并给出准确、全面的解答。同时，通过与其他技术的结合，如机器视觉、语音识别等，可以为客户提供更加全面和个性化的服务，提高企业的客户满意度和服务质量。中国版ChatGPT是指在中国本土开发和应用的基于
yolov7损失函数源码解析（一句一句解析，）
自己做的笔记而已，仅供参考。
通过公式和源码解析 DETR 中的损失函数 & 匈牙利算法（二分图匹配）
DETR在单次通过解码器时推断一个固定大小的有N个预测的集合，其中N被设置为显著大于图像中典型的物体数量。所有真实框中的每一个框和所有预测框进行匹配，损失值最小的预测框为该真实框的最佳匹配框，当所有真实框遍历完毕后，得到所有唯一匹配的框。完成最优分配，假设有六位老师和六种课程，通过匈牙利算法进行匹配
知识蒸馏算法和代码（Pytorch）笔记分享，一个必须要了解的算法
知识蒸馏算法和代码（Pytorch）笔记分享，一个必须要了解的算法
DC-UNet：重新思考UNet架构和双通道高效CNN医学图像
DC-UNet
【论文笔记】—低照度图像增强—Supervised—RetinexNet—2018-BMVC
【题目】：Deep retinex decomposition for low-light enhancement 本文提出用自己制作的弱光/正常光图像对的弱光数据集LOL数据集，利用Retinex理论中的不同光照下的图片反射率是相同的这一特点让其共享反射率，通过一个分解网络和一个增强网络对低照度
bert-bilstm-crf提升NER模型效果的方法
在使用bert或者其它预训练模型进行微调，下接其它具体任务相关的模块时，会面临这样一个问题，bert由于已经进行了预训练，参数已经达到了一个较好的水平，如果要保持其不会降低，学习率就不能太大，而下接结构是从零开始训练，用小的学习率训练不仅学习慢，而且也很难与BERT本体训练同步。如果学习率过小，梯度
2022 CVPR 三维人体重建相关论文汇总（3D Human Reconstruction）
本文总结了CVPR2022中关于三维人体重建的相关论文其中包括3D Clothed Human Reconstruction、Human Performance Capture、Human Mesh Recovery等相关方向的文章！
ML Visuals-神经网络画图神器
主题背景总的来说，ML visuals为我们提供了使用PPT绘图来描述深度学习模型结构的众多组件，有兴趣的小伙伴可以马上试着用它来搭建一些经典的模型（ViT、ResNeXt、DERT······）来练练手鸭！
