HelloWorld 开发者社区
科技资讯
Qwen4-Max 发布:百万 Token 上下文、多模态与长任务如何落地
Jync 2.2.1 发布:完善告警通知,修复 CDC 与 ETL 可靠性问题
phimint 0.10.0 发布:终端智能体加入交互输入处理
Cursor 更新安全事件调查:扩展分发、历史凭据与团队排查
SoduWork 开源,尝试用独立审查与插件治理组织智能体交付
百度世界提出智能组织思路,关注 AI 从个人工具进入业务闭环
openKylin 全球生态推广会举行,推进本地化与社区合作
光船 1.1.0 尝鲜版二更新,探索 AI 会话与代码生成结合
Argus 0.5.0 发布:新增进程控制,完善原生 Windows 任务管理
MetaForge 2026.0.0 发布,整合数据库工作台与可视化分析
开源项目
全部项目推荐好文
RPN:Region Proposal Networks (区域候选网络)
原文链接(https://link.segmentfault.com/?enc3H%2FgFTHhU3YIv0agrrG1jQ%3D%3D.xCdgR1Wclexsr%2B5o7qRoI7XsbZw3mbwuvIljBbKzLxQj%2F%2BhYKAyitm8TCiluuTm3ckerLHH
PyTorch中 torch.nn与torch.nn.functional的区别
原文链接(https://link.segmentfault.com/?encSOHKvzKi47qduZL3Cwwsrw%3D%3D.Bn5ty6yvz7c9wZ37jYMCvNcmCgZyvKeTkLYhDxbkpybPzPLvG3GNPwusVYvlYFvfWwwhGpq3bPLKyrs
PyTorch中 nn.Conv2d与nn.ConvTranspose2d函数的用法
原文链接(https://link.segmentfault.com/?encZFZWtuSjqyWZPJG%2F3433RQ%3D%3D.YYtDVvb96B59y2QBisPPVvElgPWzG3Qbs2Ddq4KnrgRvLL%2FVm6sNAB4jN1eJPczIfaZAvB1aw5w
案例分享:自动驾驶3D点云语义分割数据标注
在自动驾驶环境感知系统中,如何获取高精度实时路况数据,是决定自动驾驶系统行车安全的关键。目前主流的两种感知技术路径“纯视觉”与“高精地图激光雷达”中,由于激光雷达采集的3D点云路况数据更为密集、准确且具备三维地理信息,因此以3D点云数据为基础的感知算法即成为部分自动驾驶企业的核心技术路径,并诞生了
堆叠降噪自动编码器 Stacked Denoising Auto Encoder(SDAE)
原文链接(https://link.segmentfault.com/?enc5wxT8L%2FBT4qOXCvmMH03hg%3D%3D.hQVX44ygliGW8PKp2%2F2jn4VCvEkFx0c%2FU6XUzVu2yUdIJjWKUstrgPMAylMCoARNDvKhFfBPl
自编码器 AE(AutoEncoder)程序
原文链接(https://link.segmentfault.com/?encWzf6zcmQHWUWvXOCBhI3ZQ%3D%3D.7PkjgpHscCxcdizOrQcdLdtJ6RGc5j3DWxfKDybSaqBL0tFeGY%2B%2BCRzprMaj96ARKOe6AvVnnug
看看谷歌如何在目标检测任务使用预训练权值 | CVPR 2022
<blockquote论文提出能够适配硬件加速的动态网络DSNet,通过提出的doubleheaded动态门控来实现动态路由。基于论文提出的高性能网络设计和IEB、SGS训练策略,仅用1/21/4的计算量就能达到静态SOTA网络性能,实际加速也有1.62倍<br/ <br/来源:
DW:优化目标检测训练过程,更全面的正负权重计算 | CVPR 2022
<blockquote论文提出自适应的labelassignment方法DW,打破了以往耦合加权的惯例。根据不同角度的一致性和非一致性指标,动态地为anchor分配独立的pos权重和neg权重,可以更全面地监督训练。此外,论文还提出了新的预测框精调操作,在回归特征图上直接精调预测框<br/
整数有约 | AI智能篆刻:活学活用,让传统文化“潮”起来
<blockquote<p2019年,浙江大学科技设计实验室(NEXTLab)成立了智能篆刻团队,短短3年时间,推出了“求是印”、“小型智能篆刻机”、“智能篆刻小程序”等一系列产品,旨在提高民众对篆刻艺术的兴趣、激发大众参与篆刻创作、推广篆刻文化的热情。</p<p拥有三千七百多年历史的篆刻
使用 CLIP 对没有标记的图像进行零样本无监督分类
深度图像分类模型通常以监督方式在大型带注释数据集上进行训练。随着更多带注释的数据加入到训练中,模型的性能会提高,但用于监督学习的大规模数据集的标注成本时非常高的,需要专家注释者花费大量时间。为了解决这个问题,人们开始寻找更便宜的标注的标签来源,是否有可能从已经公开的数据中学习高质量的图像分类模型?
正在加载更多文章…
加载更多已加载文章中没有匹配内容,可继续加载更多。