yoloV5-face学习笔记
yolov5-face是在yolov5的基础上添加了人眼关键点检测。首先放上大佬的开源代码：https://github.com/deepcam-cn/yolov5-face一 代码复现原作者代码的注释非常少，很难直接跑通。1.下载WIDERFace数据集图片上图为https://github.co
推荐系统笔记（十）：InfoNCE Loss 损失函数
InfoNCELoss是为了将N个样本分到K个类中，K
[ 注意力机制 ] 经典网络模型3——ECANet 详解与复现
[ 注意力机制 ] 经典网络模型3——ECANet 详解与复现1、Efficient Channel Attention Module2、ECANet 详解3、ECANet 复现简称 ``ECA``，2020年 提出的一种 ``高效通道注意力(ECA)模块`` ；该模块只涉及少数几个 参数，但具有明
混淆矩阵 （Confusion Matrix）
假设现在有一个分类器A,这个分类器A的作用是告诉一张图片是不是汉堡，那我想知道这个分类器A的效果好不好，应该怎么办呢？最简单的方法是将大量的样本放进到费雷其A当中，让他自己判断这些图片是不是汉堡。经过上面的过程就可以得到一张表格：实际上这张表格是非常庞大的。有成千上万的图片，当他的维度十分大的时候是
知识图谱构建流程步骤详解
知识图谱构建流程概览1.知识抽取1.1 知识抽取的主要任务（1）实体识别与抽取任务：识别出待处理文本中七类（人名、机构名、地名、时间、日期、货币和百分比）命名实体。两个子任务：实体边界识别和确定实体类型。（2）关系抽取任务：关系抽取是从文本中抽取出两个或多个实体之间的语义关系。它是信息抽取研究领域的
R实战 | Nomogram(诺莫图/列线图)及其Calibration校准曲线绘制
R实战|Nomogram(诺莫图/列线图)及其Calibration校准曲线绘制Nomogram，中文常称为诺莫图或者列线图。简单的说是将Logistic回归或Cox回归的结果进行可视化呈...
yolov7：win10下的安装配置以及训练自己的数据集（从VOC转换为YOLO）
Win10下yolov7的安装配置以及训练自己的数据集（从VOC转换为YOLO）
卷积神经网络学习—Resnet50（论文精读+pytorch代码复现）
卷积神经网络学习—Resnet50（论文精读+pytorch代码复现）
机器学习真能产生智能决策吗？
作者 | 刘礼出品 | AI科技大本营（ID：rgznai100）历经三年时间，我们在2022年完成了图灵奖获得者、加州大学洛杉矶分校计算机科学教授，美国国家科学院院士，被誉为“贝叶斯网络之父”的朱迪亚·珀尔大作《因果论：模型、推理和推断》。这本书原版的第1版写于2000年，开创了因果分析和推断的新
YOLOv5改进之十三：主干网络C3替换为轻量化网络EfficientNetv2
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
CVPR2022论文列表（中英对照）
CVPR论文列表，中英对照
核函数 高斯核函数，线性核函数，多项式核函数
核函数是我们处理数据时使用的一种方式。对于给的一些特征数据我们通过核函数的方式来对其进行处理。我们经常在SVM中提到核函数，就是因为通过核函数来将原本的数据进行各种方式的组合计算，从而从低维数据到高维数据。比如原来数据下样本点1是x向量，样本点2是y向量，我们把它变成e的x+y次方，就到高维中去了。
【路径规划】A*算法方法改进思路简析
对A*算法进行基本功能实现，以分析其优缺点，并在此基础上进行改进。改进的内容为，将针对特定地图的相关特点，设计合理的预估函数，设置了包含代价函数和启发函数的权重函数，其次，将传统的8方向搜索降为5个方向，舍弃无用的方向，然后在此基础上，对开放列表的数据结构进行堆优化，并且采用双向A*算法进一步提高计
作物病虫害识别数据集资源合集
朋友们，今天分享一些公开的农作物病虫害识别数据集。病虫害是病害和虫害的并称，常对农、林、牧业等造成不良影响。本文介绍分为病害数据集和虫害数据集两部分。这些数据集用于图像分类系统。1 病害识别数据集1.1 农业病虫害研究图库（IDADP）1.1.1 介绍农业病虫害研究图库（IDADP）http://w
90+个各种疾病相关医疗数据集
含新冠、传染病、医学图像等
【通信原理】确知信号的性质分析与研究
在前面一文中已经详细且生动的解释了傅里叶变换和傅里叶级数的内容，【通信原理】揭开傅里叶级数与傅里叶变换的神秘面纱，而在今天这篇中有些公式你可能会产生疑惑，基本上需要用到傅氏变化的知识，可能需要你自行了解一下过程或参考一下上一篇文章的内容并加以理解。本文从通信系统中确知信号出发，分析了能量信号、功率信
【Pytorch】torch.nn.LeakyReLU()
Hello！ଘ(੭ˊᵕˋ)੭昵称：海轰标签：程序猿｜C++选手｜学生简介：因C语言结识编程，随后转入计算机专业，获得过国家奖学金，有幸在竞赛中拿过一些国奖、省奖…已保研学习经验：扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语！唯有努力💪本文仅记录自己感兴趣的内容文章仅作为个人学习笔
鲁棒性的含义以及如何提高模型的鲁棒性
1、含义鲁棒是Robust的音译，也就是健壮和强壮的意思。它也是在异常和危险情况下系统生存的能力。比如说，计算机软件在输入错误、磁盘故障、网络过载或有意攻击情况下，能否不死机、不崩溃，就是该软件的鲁棒性。所谓“鲁棒性”，也是指控制系统在一定（结构，大小）的参数摄动下，维持其它某些性能的特性。根据对性
图像处理之高通滤波器与低通滤波器
目录高频与低频区分：高通滤波器：1.傅里叶变换：低通滤波器：总结： 在了解图像滤波器之前，先谈一下如何区分图像的高频信息和低频信息，所谓高频就是该像素点与周围像素差异较大，常见于一副图像的边缘细节和噪声等；而低频就是该像素点与周围像素差异变化不大，一般体现为图像的平坦区；
保姆级官方yolov7的训练自己的数据集以及项目部署
保姆级官方yolov7训练自己数据集的教学，并且可以直接嵌入到项目开发中用于检测
