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
从Encoder-Decoder模型入手,探索语境偏移解决之道
<blockquote<strong摘要:</strong在本文中,我们展示了CLAS,一个全神经网络组成,端到端的上下文ASR模型,通过映射所有的上下文短语,来融合上下文信息。在实验评估中,我们发现提出的CLAS模型超过了标准的shallowfusion偏置方法。</blockquote
带你换个角度理解图卷积网络
<blockquote<strong摘要:</strong本文带大家从另一个角度来理解和认识图卷积网络的概念。</blockquote本文分享自华为云社区《技术综述十二:图网络的基本概念(https://link.segmentfault.com/?encYkd9k%2BnGTvR
一文带你 GNN 从入门到起飞,做一个饭盆最稳 GNN 饭人!
<blockquote<strong摘要:</strong本文介绍了图神经网络在学界和业界的发展情况,并给出了图神经网络的基本概念与表示形式,总结了图神经网络的变体,最后介绍了华为云图神经网络框架。</blockquote本文分享自华为云社区《干饭人,干饭魂,搞懂图神经网络稳饭盆(h
每日互动(个推) “数据智能五步法”,实现数据 “炼造”闭环
早在十多年前,英国数学家CliveHumby就曾说过,“数据是新时代的石油,蕴藏着巨大的价值”。但同时,他也强调“如果未经提炼和分析,那数据也无法展现自己的价值”。我们必须对数据原油进行加工和“炼造”,才能把数据的价值充分萃取和释放出来,为业务的数字化创新提供源源不断的动力。作为一家数据智能
分别使用 PIL 和 cv2 绘制人群密度图
pred变量是网络输出的单通道密度图。在绘制密度图时需要将其转化为cpu所支持的numpy格式。1.使用PIL绘制<pre<codeimportmatplotlib.pyplotaspltplt.imshow(pred,cmapplt.cm.jet)
Guided Anchoring:在线稀疏anchor生成方案,嵌入即提2AP | CVPR 2019
<blockquoteGuidedAnchoring通过在线生成anchor的方式解决常规手工预设anchor存在的问题,以及能够根据生成的anchor自适应特征,在嵌入方面提供了两种实施方法,是一个很完整的解决方案<br/ <br/来源:晓飞的算法工程笔记公众号</blockquo
FoveaBox:细节差别,另一种DenseBox+FPN的Anchor-free方案 | IEEE TIP 2020
<blockquote作为与FCOS和FSAF同期的Anchorfree论文,FoveaBox在整体结构上也是基于DenseBox加FPN的策略,主要差别在于FoveaBox只使用目标中心区域进行预测且回归预测的是归一化后的偏移值,还有根据目标尺寸选择FPN的多层进行训练,大家可以学习下
DenseBox:思想超前的早期Anchor-free研究 | CVPR 2015
<blockquoteDenseBox检测算法的设计十分超前,如今很多Anchorfree方法有其影子,如果当时不是比FasterRCNN晚了一点出现,可能目标检测领域很早就开始往Anchorfree的方向发展了<br/ <br/来源:晓飞的算法工程笔记公众号</blockquo
KDD CUP 2021首届图神经网络大赛放榜,百度飞桨PGL获得2金1银
近日,由KDDCUP与OGB(OpenGraphBenchmark)联合举办的首届图神经网络大赛正式放榜,在DeepMind、微软、蚂蚁金服、UCLA等全球500多个顶尖企业、高校和实验室的激烈竞争中,百度凭借飞桨图学习框架PGL一路过关斩将,最终在全部三个赛道包揽了两冠一亚。
SAPD:FSAF升级版,合理的损失值加权以及金字塔特征选择 | ECCV 2020
<blockquote针对anchorpoint检测算法的优化问题,论文提出了SAPD方法,对不同位置的anchorpoint使用不同的损失权重,并且对不同的特征金字塔层进行加权共同训练,去除了大部分人为制定的规则,更加遵循网络本身的权值进行训练<br/ <br/来源:晓飞的算法工程
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。