papers with code介绍（人工智能方向研究生的必备网站）
paperswithcode介绍（人工智能方向的必备网站）本文将从两个部分介绍：一、正文二、导航 **A、browse State-of-the-Art**B、Datasets****C、Method**D、More**网站首页一、正文2.最上面是四个导航选项。3.正文部分就是最新的研究论文正
ROS从入门到精通9-1：项目实战之智能跟随机器人原理与实现
智能跟随机器人是其中很常见的应用，在各类竞赛、创新项目、开源项目甚至商业项目中都有应用，2022年TI杯C赛题就是跟随机器人的应用，本文讲解智能跟随机器人原理和代码实现
【中国大学生计算机大赛二等奖】智能中医-中e诊简介（一）
中国大学生计算机设计大赛-人工智能赛道二等奖党的十九大以来，我国社会的主要矛盾已经变成了人民日益增长的对美好生活需要与不平衡、不充分发展之间的矛盾。美好生活的一个重要体现就是“健康生 活”，然而随着现代都市生活节奏不断加快，人们很多时候会忽视自己的身体健康。“工作太忙，没时间锻炼”、“应酬太多”，许
3D卷积神经网络详解
1 3d卷积的官方详解2 2D卷积与3D卷积1）2D卷积 2D卷积：卷积核在输入图像的二维空间进行滑窗操作。2D单通道卷积 对于2维卷积，一个3*3的卷积核，在单通道图像上进行卷积，得到输出的动图如下所示：2D多通道卷积 在之前的2D单通道的例子中，我们在一张图像上使用卷积核进行扫描，得
R实战 | 限制性立方样条(RCS)
RCS在科学研究中，我们经常构建回归模型来分析自变量和因变量之间的关系。大多数的回归模型有一个重要的假设就是自变量和因变量呈线性关联。当自变量和因变量之间为非线性关系时，可以将连续型变量转化为分类变量，但是分类变量的类别数目以及节点位置的选择一般会带有主观性并且分类变量会损失部分信息；也可以直接拟合
DNN（全连接神经网络）
一.DNN网络一般拥有三层1.输入层2.隐藏层3.输出层简单网络如下：二.正向传播从第二层开始，每一个神经元都会获得它上一层所有神经元的结果。即每一个 y = wx + b的值。具体分析如下：如此下去就会非常可能出现了一个问题------就是越靠后的神经元获得的y值会非常大，试想一下，如果这个数远远
YOLOv3&YOLOv5输出结果说明
本文使用的yolov3和yolov5工程文件均为github上ultralytics基于pytorch的v3和v5代码，其训练集输出结果类型基本一致，主要介绍了其输出结果，本文是一篇学习笔记本文使用的yolov3代码github下载地址：yolov3模型训练具体步骤可查看此篇博客：yolov3模型训
Yolov7-pose 训练body+foot关键点
yolo-pose
在运行yolo5的v5.0版本detect.py时遇到的一些错误
跟着小土堆的视频教学自己遇到的一些问题。
简单粗暴提升yolov5小目标检测能力
和yolov5最开始做的focus是类似的，对于输入的特征图（长宽为S），从左到右以及从上到下每scale个像素采样一次，假设scale=2，采样方式就和上图一样，经过这样采样的输出长宽就是S/2，最后将采样后的输出进行concatenate，通道数就是scale的平方，即4。左侧是yolov5原始
灰色预测模型
python实现灰色预测
将yolov5中的PANet层改为BiFPN
本文以YOLOv5-6.1版本1.修改common.py,在common.py后加入如下代码# 结合BiFPN 设置可学习参数 学习不同分支的权重# 两个分支add操作class BiFPN_Add2(nn.Module): def __init__(self, c1, c2):
【控制】动力学建模简介 --＞ 牛顿-欧拉 (Newton-Euler) 法和拉格朗日 (Lagrange) 法
牛顿-欧拉方法是最开始使用的动力学建模分析方法，由于牛顿方程描述了平移刚体所受的外力、质量和质心加速度之间的关系，而欧拉方程描述了旋转刚体所受外力矩、角加速度、角速度和惯性张量之间的关系，因此可以使用牛顿-欧拉方程描述刚体的力、惯量和加速度之间的关系，建立刚体的动力学方程。拉格朗日方程是另一种经典的
Anaconda创建环境及环境配置
anaconda创建环境
【pytorch】ResNet18、ResNet20、ResNet34、ResNet50网络结构与实现
ResNet18、ResNet20、ResNet34、ResNet50网络结构与实现
【实体识别】深入浅出讲解命名实体识别（介绍、常用算法）
命名实体识别（Named Entity Recognition, 简称NER）（也称为实体识别、实体分块和实体提取）是信息提取的一个子任务，旨在将文本中的命名实体定位并分类为预先定义的类别，如人员、组织、位置、时间表达式、数量、货币值、百分比等。命名实体识别是自然语言处理中的热点研究方向之一， 目的
复现开源论文代码总结
复现开源论文代码总结
计算机视觉中的注意力机制
注意力机制（Attention Mechanism）源于对人类视觉的研究。 在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息。 上述机制通常被称为注意力机制。 人类视网膜不同的部位具有不同程度的信息处理能力，即敏锐度（Acuity），只有视网膜中央凹部位具
简明扼要理解YOLOX
由于疫情已经居家办公2周了，明天就可以正常通勤上班了，内心还有点小小的期待呢。趁着这三月暖暖的春风和屋外喳喳的鸟叫声，咱们来梳理一下YOLOX算法。如果对YOLO 系列算法还不了解的同学，请先找找相关的文章了解一下也可以看看我前面的这篇：简明扼要理解YOLO v3https://blog.csdn.
机器学习笔记 - 什么是高斯混合模型(GMM)？
高斯混合模型 (GMM) 是一种机器学习算法。它们用于根据概率分布将数据分类为不同的类别。高斯混合模型可用于许多不同的领域，包括金融、营销等等！这里要对高斯混合模型进行介绍以及真实世界的示例、它们的作用以及何时应该使用GMM。高斯混合模型 (GMM) 是一个概率概念，用于对真实世界的数据集进行建模。
