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
MindSpore易点通·精讲系列--数据集加载之ImageFolderDataset
DiveIntoMindSpore–ImageFolderDatasetForDatasetLoadMindSpore精讲系列–数据集加载之ImageFolderDataset本文开发环境Ubuntu20.04Python3.8MindSpore1.7.0本文内容摘要先看API简
MindSpore易点通·精讲系列--数据集加载之CSVDataset
DiveIntoMindSpore–CSVDatasetForDatasetLoadMindSpore精讲系列–数据集加载之CSVDataset本文开发环境Ubuntu20.04Python3.8MindSpore1.7.0本文内容摘要先看API数据准备两种试错正确示例本文总
TimeSformer: 只靠 Transformer 就能理解视频?注意力机制的又一次进击!
出品人:Towhee技术团队FacebookAI提出了一种TimeSformer(TimeSpacetransformer)的视频理解新架构,完全基于Transformer,能够彻底摆脱CNN!仅用三分之一的时间训练,TimeSformer就能以十倍的速度推理,并且在
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/
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?
Block Recurrent Transformer:结合了LSTM和Transformer优点的强大模型
在以前的文章中,我们讨论过Transformer并不适合时间序列预测任务。为了解决这个问题Google创建了HybridTransformerLSTM模型,该模型可以实现SOTA导致时间序列预测任务。但是我实际测试效果并不好,直到2022年3月Google研究团队和瑞士AI实验室IDSIA提
PLC:自动纠正数据集噪声,来洗洗数据集吧 | ICLR 2021 Spotlight
<blockquote<p 论文提出了更通用的特征相关噪声类别PMD,基于此类噪声构建了数据校准策略PLC来帮助模型更好地收敛,在生成数据集和真实数据集上的实验证明了其算法的有效性。论文提出的方案理论证明完备,应用起来十分简单,值得尝试</p<p来源:晓飞的算法工程笔记公众号</p<
ResNet-RS:谷歌领衔调优ResNet,性能全面超越EfficientNet系列 | 2021 arxiv
<blockquote论文重新审视了ResNet的结构、训练方法以及缩放策略,提出了性能全面超越EfficientNet的ResNetRS系列。从实验效果来看性能提升挺高的,值得参考<br/ <br/来源:晓飞的算法工程笔记公众号</blockquote论文:Re
RepLKNet:不是大卷积不好,而是卷积不够大,31x31卷积了解一下 | CVPR 2022
<blockquote论文提出引入少数超大卷积核层来有效地扩大有效感受域,拉近了CNN网络与ViT网络之间的差距,特别是下游任务中的性能。整篇论文阐述十分详细,而且也优化了实际运行的表现,值得读一读、试一试<br/ <br/来源:晓飞的算法工程笔记公众号</blockquote
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。