2 点赞

基于 ART-Pi 实现的百度 AI 图像识别

不用自己训练模型,也能进行 AI 图像识别;借助百度云平台,我们可以在 APT-Pi 上实现图像识别功能。
1 点赞

一文详解最常用的10个「激活函数」

(转载机器之心)激活函数是神经网络模型重要的组成部分,本文从激活函数的数学原理出发,详解了十种激活函数的优缺点。 激活函数(Activation Function)是一种添加到人工神经网络中的函数,旨在帮助网络学习数据中的复杂模式。类似于人类大脑中基于神经元的模型,激活函数最终决定了要发射给下一个神经元的内容。
0 点赞

用OpenCV实现超轻量的NanoDet目标检测模型!| 转载极市平台

关于轻量级目标破检测模型,之前已经有在 rt-thread 公众号推送过,比较有好的有两个: 一个是1.8M 大小的NanoDet; 一个是1.3M 大小的yolo-fastest; 本文主要讲的是 NanoDet,后续可能会跟上NanoDet的相关文章 本文作者用OpenCV部署了超轻量目标检测模型NanoDet,并实现了C++和Python两个版本,并对此进行了解析,附完整代码。 Github: https://github.com/hpc203/nanodet-op
0 点赞

数据科学中常见的9种距离度量方法,内含欧氏距离、切比雪夫距离等 | 转载机器之心

在数据挖掘中,我们经常需要计算样本之间的相似度,通常的做法是计算样本之间的距离。在本文中,数据科学家 Maarten Grootendorst 向我们介绍了 9 种距离度量方法,其中包括欧氏距离、余弦相似度等。![img](https://imagepphcloud.thepaper.cn/pph/image/115/609/781.jpg)许多算法,无论是监督学习还是无监督学习,都会使用距离度量。这些度量,如欧几里得距离或者余弦相似性,经常在 k-NN、 UMAP、HDBSCAN 等算法中使用。了解距离
0 点赞

DeepMind最新研究NFNet:抛弃归一化,准确率新高 | 转载机器之心

深度学习,已经不需要归一化了。 我们知道,在传递给机器学习模型的数据中,我们需要对数据进行归一化(normalization)处理。 在数据归一化之后,数据被「拍扁」到统一的区间内,输出范围被缩小至 0 到 1 之间。人们通常认为经过如此的操作,最优解的寻找过程明显会变得平缓,模型更容易正确的收敛到最佳水平。 然而这样的「刻板印象」最近受到了挑战,DeepMind 的研究人员提出了一种不需要归一化的深度学习模型 NFNet,其在大型图像分类任务上却又实现了业内最佳水平(SOTA)
1 点赞

DeepMind丢掉了归一化,训练速度提了8.7倍 开源 | 转载量子位

对于大多数图像识别模型来说,批处理归一化(batch normalization)是非常重要的组成部分。 但与此同时,这样的方式也存在一定的局限性,那就是它存在许多并不重要的特征。 虽然近期的一些研究在没有归一化的情况下,成功训练了深度ResNet,但这些模型与最佳批处理归一化网络的测试精度不相匹配。 而这便是DeepMind此次研究所要解决的问题——提出了一种自适应梯度剪裁 (AGC) 技术。 具体而言,这是一种叫做Normalizer-Free ResNet (NFNet)的新
2 点赞
0 点赞

缺陷检测比赛Top3方案分享

工业缺陷检测是当前深度学习落地的热门项目,近年来许多的比赛平台都举办了关于缺陷检测的比赛,如kaggle前不久举办的钢铁缺陷检测,以及天池刚刚开始的智能算法赛:瓷砖表面瑕疵质检。 本文转载自:AI约读社

发布
问题