ronghuaiyang 头像

ronghuaiyang

1910 声望
他还没有填写个人简介
关注了
0
粉丝数
5
最新动态
  • 发布了文章 ·
    CBNet:一种新的组合主干网络结构,用于物体检测

    对CBNet进行了一个直观的介绍。[链接]论文:[链接]代码:[链接]CBNet在COCO测试数据集上的平均精度为53.3。

    摘要图
  • 发布了文章 ·
    比监督学习做的更好:半监督学习

    监督学习是人工智能领域的第一种学习类型。从它的概念开始,无数的算法,从简单的逻辑回归到大规模的神经网络,都已经被研究用来提高精确度和预测能力。 然而,一个重大突破揭示了添加“无监督数据”可以提高模型泛化和性能。事实上,在非常多的场景中,带有标签的数据并不容易获得。半监督学习可以在标准的任务中实现SOTA...

    摘要图
  • 发布了文章 ·
    多摄像头实时目标跟踪和计数,使用YOLOv4,Deep SORT和Flask

    本文来自github,很实用的一个应用。git仓库地址:[链接]这个存储库包含了我的目标检测和跟踪项目。所有这些都可以托管在云服务器上。由于有ImageZMQ,你还可以使用自己的异步处理IP相机。

    摘要图
  • 发布了文章 ·
    使用深度学习从视频中估计车辆的速度

    我想要解决的问题是:在一辆车里有一个摄像头,我想知道车开得有多快。你显然不能看速度表,只能看视频片段本身。深度学习魔法应该能帮助我们。

    摘要图
  • 发布了文章 ·
    图像分割2020总结:结构,损失函数,数据集和框架

    首发:AI公园公众号作者:Derrick Mwiti编译:ronghuaiyang导读一个很好的入门小短文,内容很全,适合上手。在这篇文章中,我们将进入使用深度学习进行图像分割的世界。我们将讨论:图像分割是什么以及图像分割的两种主要类型图像分割结构图像分割中使用的损失函数你可以使用的框架就让我们一探究竟吧。什么是图像分割?...

    摘要图
  • 发布了文章 ·
    FastFormers:实现Transformers在CPU上223倍的推理加速

    首发:AI公园公众号作者:Parth Chokhra编译:ronghuaiyang导读使用多头注意力的Transform在cpu上实现222倍的加速。自BERT紧随Transformer诞生以来,几乎在所有与语言相关的任务中都占据着主导地位,无论是问答、情感分析、文本分类还是文本生成。与RNN和LSTM不一样的是,RNN和LSTM的梯度消失问题阻碍了长数据序列的学习...

    摘要图
  • 发布了文章 ·
    医学图像分割:UNet++

    首发:AI公园公众号作者:Jingles (Hong Jing)编译:ronghuaiyang导读使用一系列的网格状的密集跳跃路径来提升分割的准确性。在这篇文章中,我们将探索_UNet++: A Nested U-Net Architecture for Medical Image Segmentation_这篇文章,作者是亚利桑那州立大学的Zhou等人。本文是U-Net的延续,我们将把UNet++与Ronneberg...

    摘要图
  • 发布了文章 ·
    PANet:YOLOv4中的路径聚合网络

    首发:AI公园公众号作者:Miracle R编译:ronghuaiyang导读非常简单高效的特征金字塔模块。是最重要的计算机视觉过程之一,它将图像分割成更小的、多个片段,这样的话,目标的表示和进一步的分析就变得简单。这个过程有各种各样的应用,从在医学图像定位肿瘤和发展机器视觉中的生物测量识别的目标检测。图像分割过程主要...

    摘要图
  • 发布了文章 ·
    使用OpenCV来实现自动驾驶中的车道线检测

    在这个项目中,我使用Python和OpenCV构建了一个pipeline来检测车道线。该pipeline包含以下步骤:

    摘要图
  • 发布了文章 ·
    图像分类的技能包及每一项的实验验证

    图像分类是计算机视觉中的一个关键问题。在图像分类任务中,输入是一幅图像,输出是通常描述图像内容的类标签(如“猫”、“狗”等)。近十年来,神经网络在解决图像分类问题方面取得了很大进展。神经网络在分类问题上的应用始于2012年,由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton引入AlexNet。他们的模型在ImageNet...

    摘要图
  • 发布了文章 ·
    视频目标跟踪从0到1,概念与方法

    导读从目标跟踪的应用场景,底层模型,组件,类型和具体算法几个方面对目标跟踪做了全方面的介绍,非常好的入门文章。

    摘要图
  • 发布了文章 ·
    ODTK:来自NVIDIA的旋转框物体检测工具箱

    旋转框相比矩形框可以更好的拟合物体,同时标注起来比分割要方便的多,使用来自NVIDIA的ODTK可以方便的训练,实施和部署旋转框物体检测模型,同时具备多种扩展功能。

    摘要图
  • 发布了文章 ·
    Batch Normalization的诅咒

    首发:AI公园公众号作者:Sahil Uppal编译:ronghuaiyang导读batch normalization时的一些缺陷。Batch Normalization确实是深度学习领域的重大突破之一,也是近年来研究人员讨论的热点之一。Batch Normalization是一种被广泛采用的技术,使训练更加快速和稳定,已成为最有影响力的方法之一。然而,尽管它具有多种功能,...

    摘要图
  • 发布了文章 ·
    如何将深度学习研究论文实现为代码的几个要点

    首发:AI公园公众号作者:Bipin Krishnan P编译:ronghuaiyang导读如果深度学习是一种超能力,那么将理论从论文转化为可用的代码就是一种超超能力。为什么要去复现机器学习研究论文?正如我所说的,能够将一篇论文转换成代码绝对是一种超超能力,尤其是在像机器学习这样每天都在快速发展的领域。大多数研究论文来自大型...

    摘要图
  • 发布了文章 ·
    多目标跟踪:监控领域你必须要了解的算法

    对监控领域的目标跟踪方法以及面临的挑战进行了一个介绍,是一个很好的了解目标跟踪领域的“是什么”和“为什么”问题的文章。

    摘要图
  • 发布了文章 ·
    使用元学习来进行少样本图像分类

    首发:AI公园公众号作者:Etienne编译:ronghuaiyang导读你并不总是有足够的图像来训练一个深度神经网络。下面是教你如何通过几个样本让模型快速学习的方法。你并不总是有足够的图像来训练一个深度神经网络。下面是教你如何通过几个样本让模型快速学习的方法。我们为什么要关心少样本学习?1980年,Kunihiko Fukushima开...

    摘要图
  • 发布了文章 ·
    TensorPipe:支持最先进增增强和底层优化的Tensorflow的高性能数据Pipeline

    首发:AI公园公众号作者:kartik4949编译:ronghuaiyang导读给大家介绍一个非常好用的TensorFlow数据pipeline工具。高性能的Tensorflow Data Pipeline,使用SOTA的增强和底层优化。安装方法 {代码...} 功能[x] High Performance tf.data pipline[x] Core tensorflow support for high performance[x] Classification dat...

    摘要图
  • 发布了文章 ·
    OCR in the Wild:文本检测和识别的SOTA

    首发:AI公园公众号作者:Noé 编译:ronghuaiyang导读回顾了场景文本检测和识别领域的3篇论文,分别是检测,识别以及端到端的方法。基于深度学习的方法可以在自然图像中检测和识别复杂的文本实例。介绍光学字符识别(OCR)包括自动解码图像中的文本实例。此任务的复杂性因应用而异。一方面,从扫描的报纸上阅读单词是比较...

    摘要图
  • 发布了文章 ·
    知识蒸馏:如何用一个神经网络训练另一个神经网络

    如果你曾经用神经网络来解决一个复杂的问题,你就会知道它们的尺寸可能非常巨大,包含数百万个参数。例如著名的BERT模型约有1亿1千万参数。

    摘要图
  • 发布了文章 ·
    4个计算机视觉领域用作迁移学习的模型

    首发:AI公园公众号作者:Orhan G. Yalçın编译:ronghuaiyang导读使用SOTA的预训练模型来通过迁移学习解决现实的计算机视觉问题。如果你试过构建高精度的机器学习模型,但还没有试过迁移学习,这篇文章将改变你的生活。至少,对我来说是的。我们大多数人已经尝试过,通过几个机器学习教程来掌握神经网络的基础知识。这些...

    摘要图
认证与成就
获得 14 次点赞
1月14日 加入
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
Arm中国学堂公众号
关注Arm中国学堂
实时获取免费 Arm 教学资源信息
Arm中国招聘公众号
关注Arm中国招聘
实时获取 Arm 中国职位信息