Faster-RCNN详解（个人理解）
这是我在学习Faster-RCNN的原理时做的学习总结，个人感觉还是比较详细的。
AI 实战篇 ｜十分钟学会【动物识别】，快去寻找身边的小动物试试看吧【送书】
以前一直觉得一些AI技术非常的高级又复杂，但是到了现在这些技术其实已经早就被日常规范化了。我们只需要借助一些平台封装好的SDK就可以拿来直接使用相应的功能。比如上期写了一篇借助百度AI开放平台 写了一篇关于人脸识别的文章：AI 实战篇 ｜基于 AI开放平台实现 人脸识别对比 功能，超详细教程【附带源
论文推荐：基于GE-MRI的多任务学习
医学图像分析，多任务学习，图像分类，图像分割，U-Net，后处理
PyTorch实现非极大值抑制(NMS)
NMS即non maximum suppression即非极大抑制，顾名思义就是抑制不是极大值的元素，搜索局部的极大值。
11个常见的分类特征的编码技术
机器学习算法只接受数值输入，所以如果我们遇到分类特征的时候都会对分类特征进行编码，本文总结了常见的11个分类变量编码方法。
从头开始进行CUDA编程：Numba并行编程的基本概念
本文不是 CUDA 或 Numba 的综合指南，本文的目标是通过用Numba和CUDA编写一些简单的示例，这样可以让你了解更多GPU相关的知识
关于 Git 的一些常识和我的一些零言碎语
也是那一段时间，我开始尝试自己应用 workflow 工作流，但结果也是非常不尽人意，毕竟我没有团队。。后来后端趋于稳定，我也慢慢意识到自己不能再继续躺平，我需要继续开始学习了。。。
MySQL：02-增删改查
MySQL增删改查
Https为什么是安全的
我们知道Http是一种明文传输的协议，而我们平时也大多接触到的是Http，当然我们也知道它是不安全的因为它传输的报文是明文的，那Https是怎么做到安全的呢？
【通信原理】揭开傅里叶级数与傅里叶变换的神秘面纱
傅里叶变换和傅里叶级数是有史以来最伟大的数学发现之一。它们可以帮助我们将函数分解成其基本成分。它们揭示了任何数学函数的基本模块，但是傅里叶分析的公式对于连高数中sin2x的积分都不熟悉的工科白菜来说简直就是连多看它一样的勇气都没有，我想这就是为什么复杂的傅里叶分析成为大学中通信专业的疑难杂症的主要原
时间序列分解：将时间序列分解成基本的构建块
大多数时间序列可以分解为不同的组件，在本文中，我将讨论这些不同的组件是什么，如何获取它们以及如何使用 Python 进行时间序列分解。
YOLOv5改进之七：损失函数改进
前 言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效
史上最全学习率调整策略lr_scheduler
学习率是深度学习训练中至关重要的参数，很多时候一个合适的学习率才能发挥出模型的较大潜力。所以学习率调整策略同样至关重要，这篇博客介绍一下Pytorch中常见的学习率调整方法。
【swinUnet官方代码测试自己的数据集（已训练完毕）】
swinUnet官方代码测试自己的数据集
YOLOV7开源代码讲解--训练参数解释
本文章是对yolov7开源代码中训练部分的参数进行解释，方便在训练中更直观的理解，可以更换的使用各个功能，完成最终的“炼丹”
OpenCV之 BGR、GRAY、HSV色彩空间&色彩通道专题 【Open_CV系列（三）】
OpenCV之色彩空间与通道 文章目录 1.色彩空间 1.1 BGR色彩空间 1.2 GRAY色彩空间 1.3 HSV色彩空间 1.4 空间转换 1.4.1 BGR 转 GRAY 1.4.2 BGR 转 HSV 2. 色彩通道 2.1 色彩通道的拆分 2.1.1 cv2.split() 拆分BGR通
自注意力机制(Self-Attention)
自注意力机制
单目深度估计--深度学习篇
文章目录一：深度估计应用背景1.深度估计的定义2.深度估计的应用场景3.几种深度估计的方法4.使用深度学习估计的优缺点二：单目深度估计模型1.使用的数据集2.整体网络架构3.分模块解析Ⅰ：层级Ⅱ：ASPPⅢ：特征图减法操作Ⅳ：特征融合Ⅴ：Coarse-to-FineⅥ：权重参数预处理WS与pre_a
[ 注意力机制 ] 经典网络模型1——SENet 详解与复现
[ 注意力机制 ] 经典网络模型1——SENet 详解与复现1、Squeeze-and-Excitation Networks2、Squeeze-and-Excitation block3、SENet 详解4、SENet 复现Squeeze-and-Excitation Networks简称 SEN
【计算机视觉】新冠肺炎COVID-19 CT影片阳性检测，感染区域分割，肺部分割，智慧医疗实践，医疗影像处理示例
本次实验基于COVID-19 CT scans数据集，根据患者肺部的CT扫描分析，对患者COVID阳性还是阴性进行分类。如果患者Covid阳性，则这行肺部和感染区域的分割。实验还实现了交互性良好的可视化界面，更有助于医护人员对病情的快速筛查。
