相关推荐
-
深度学习算法知识
一、神经网络+卷积神经网络(一)神经网络(Neural ...利用单一算法学习各种决策边界,调节中间层数量以及层的深度,神经网络可学习更复杂的边界特征,而得出更加准确的结果⚠️可以用于回归,但主要应用于分类问题。
-
人工智能趋势与深度学习算法
人工智能趋势与深度学习算法 1 前沿技术 1.1 Transformer模型: 1.2 BERT模型:基于Transformer Encoder构建的预测模型 1.3 自监督学习(Self-supervised Learning) 1.4 类脑计算(Brain-Inspired Computing) 1.5 AI大...
-
基于深度学习的配准框架
M和F的意义: 点击,仅适用于初学者理解 本文重点关注基于深度学习的图像配准框架,根据深度学习的类型分类监督学习和无监督学习。 基于监督学习的配准框架 上面是二维的例子:将两幅图像对应坐标点进行分块,将...
-
基于深度学习的图像分割综述
综述:基于深度学习的图像分割传统的图像分割算法基于深度学习的图像分割算法全卷积神经网络(FCN)基于图模型的卷积模型编码-解码模型基于多尺度和金字塔的网络模型基于R-CNN的模型扩展卷积模型和DeepLab族基于循环...
-
论文总结:基于深度学习的图像风格迁移研究
目录基于深度学习的图像风格迁移研究深度学习图像风格迁移合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片 基于深度学习的图像风格迁移研究 深度学习 图像风格迁移 合理...
-
基于深度学习的超分辨率重建
超分辨率技术(Super-Resolution)是指从观测到的低分辨率图像重建出相应的高分辨率图像,在...基于深度学习的SR,主要是基于单张低分辨率的重建方法,即Single Image Super-Resolution (SISR)。 SISR是一个逆问...
-
深度学习下的图像分割
深度学习下的图像分割技术汇总
-
华南理工深度学习与神经网络期末考试_深度学习算法地图
其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》,清华大学出版社,雷明著,由SIGAI公众号作者倾力打造。书的购买链接书的勘误,优化,源代码资源PDF全文链接:深度学习算法地图自...
-
基于深度学习的GAN应用风格迁移
我们可以这样定义:“对抗生成网络(GAN)是一种深度学习模型,模型通过框架中至少两个框架:生成模型和判别模型的互相博弈以学习产生好的输出。” 当然这么说略显抽象,我们不如来看一个有趣的例子: 当爱德华·蒙克...
-
2021年,我们还需要入门深度学习吗?
火热到显卡一度卖脱销(不是因为挖矿),研究生导师集体推荐学生转深度学习方向、毕业论文不带“深度学习”四个字都毕不了业、大街上随便拉个学生问都认识吴恩达。 就这个火的程度,我那会也毅然决然地踏入了深度学习...
-
《深度学习入门:基于Python的理论与实现》读书笔记:第8章 深度学习
8.2 深度学习的小历史 8.2.1 ImageNet 8.2.2 VGG 8.2.3 GoogleNet 8.2.4 ResNet 8.3 深度学习的高速化 8.3.1 需要努力解决的问题 8.3.2 基于GPU的高速化 8.3.3 分布式学习 8.3.4 运算精度的位数缩减 8.4...
-
深度学习领域,最惊艳的论文!
转自 |机器学习算法与Python实战仅作学术分享,不代表本公众号立场,侵权联系删除科研路上我们往往会读到让自己觉得想法很惊艳的论文,心中对不同的论文也会有一个排名,以下介绍了一些知乎作...
-
【项目实战全解】基于深度学习与自然语言处理的AI文本生成(自动写作)
文章目录一、项目演示:1:诗歌创作2:律诗与绝句3:小说篇4:自己的...技术改变生活,从高中就听闻自动写文章技术,没曾想,竟然已经做到以假乱真的地步! 今天来详解一下我接触过的文本,文本生成,机器问答,阅读理
-
安装NumPy教程-详细版
附件是安装NumPy教程_详细版,文件绿色安全,请大家放心下载,仅供交流学习使用,无任何商业目的!
-
语音端点检测及其在Matlab中的实现.zip
语音端点检测及其在Matlab中的实现.zip
-
C#文档打印程序Demo
使用C#完成一般文档的打印,带有页眉,页脚文档打印,表格打印,打印预览等
-
DirectX修复工具-4-194985.zip
directx修复工具 DirectX修复工具(DirectX repair)是系统DirectX组件修复工具,DirectX修复工具主要是用于检测当前系统的DirectX状态,若发现异常情况就可以马上进行修复,非常快捷,使用效果也非常好。
-
Python手动实现人脸识别算法
人脸识别的主要算法 其核心算法是 欧式距离算法使用该算法计算两张脸的面部特征差异,一般在0.6 以下都可以被认为是同一张脸 人脸识别的主要步骤 1 获得人脸图片 2 将人脸图片转为128D的矩阵(这个也就是人脸特征的一种数字化表现) 3 保存人脸128D的特征到文件中 4 获取其他人脸转为128D特征通过欧式距离算法与我们保存的特征对比,如果差距在0.6以下就说明两张脸差距比较小