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
2022 年 5 篇与降维方法的有关的论文推荐
1、DimensionReductionforSpatiallyCorrelatedData:SpatialPredictorEnvelopePaulMay,HosseinMoradiRekabdarkolaee降维是分析高维数据的重要工具。SpatialP
Multi-modal Multi-task Masked Autoencoder:一种简单、灵活且有效的 ViT 预训练策略
MAE是一种使用自监督预训练策略的ViT,通过遮蔽输入图像中的补丁,然后预测缺失区域进行子监督的与训练。尽管该方法既简单又有效,但MAE预训练目标目前仅限于单一模态——RGB图像——限制了在通常呈现多模态信息的实际场景中的应用和性能。在新论文MultiMAE:MultimodalM
自动化的机器学习:5个常用AutoML 框架介绍
AutoML可以为预测建模问题自动找到数据准备、模型和模型超参数的最佳组合,本文整理了5个最常见且被熟知的开源AutoML框架。AutoML框架执行的任务可以被总结成以下几点:预处理和清理数据。选择并构建适当的特征。选择合适的模型。优化模型超参数。设计神经网
2022 年 4 月 10篇 ML 研究论文推荐
NVidia的新H100GPU已经发布了,我们也很久没有发论文推荐了,这是4月份的论文推荐:Google的5400亿参数PaLM、Pathways、Kubric、TensorPrograms、BootstrappingReasoningWithReasoning、Sparse
多任务学习中的网络架构和梯度归一化
在计算机视觉中的单任务学习已经取得了很大的成功。但是许多现实世界的问题本质上是多模态的。例如为了提供个性化的内容,智能广告系统应该能够识别使用的用户并确定他们的性别和年龄,跟踪他们在看什么,等等。多任务学习(MultiTaskLearning,MTL)可以实现这样的系统,其中一个模型在多个任务
使用分布外数据去除不需要的特征贡献,提高模型的稳健性
深度神经网络(DNN)已经发展到现在已经可以在计算机视觉和自然语言处理等许多任务上表现非常出色。而现在主要的研究是如何训练这些DNN以提高其准确性。准确性的主要问题是神经网络极易受到对抗性扰动的影响。例如下面的图片,添加噪声之前和之后的两张图像对我们来说似乎相同。但对于神经网络来说,右边
Physics-Informed DeepONet:无穷维空间映射
PhysicsInformedDeepONet:无穷维空间映射 深度学习在CV上大获成功之后,也开始在更多的领域攻城掠地,不断地挑战各种传统方法。神经网络展现出了强大的魔力,能够克服传统算法的运行速度较慢的困难,但是也确实相应的理论分析和长期的实践验证。简介
计算机视觉的半监督模型:Noisy student, π-Model和Temporal Ensembling
今天我将讨论一些在过去十年中出现的主要的半监督学习模型。首先让我们谈谈什么是半监督学习以及我们为什么对它感兴趣!假设我们有一个大的标记图像数据集。我们想使用这些数据来构建一个模型,进行图像分类的任务,解决这个问题的标准方法是构建卷积神经网络(CNN)。CNN已被证明在使用大型数据集进行训练时
深度学习项目示例 使用自编码器进行模糊图像修复
图像模糊是由相机或拍摄对象移动、对焦不准确或使用光圈配置不当导致的图像不清晰。为了获得更清晰的照片,我们可以使用相机镜头的首选焦点重新拍摄同一张照片,或者使用深度学习知识重现模糊的图像。由于我的专长不是摄影,只能选择使用深度学习技术对图像进行去模糊处理!在开始这个项目之前,本文假定读者应该了解深
风格迁移(ICCV2021):AdaAttN
0.文章、代码Paper:https://arxiv.org/pdf/2108.03...(https://link.segmentfault.com/?encIk%2FdGfVkG7820a%2BQTTjt8g%3D%3D.3pBLBnaR4LTSggkCqaWu
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。