简介在现实世界中,我们收集的数据在大多数时候是严重不平衡的,所谓不平衡数据集就是训练样本不是平均分布在目标类中,例如,如果我们以个人贷款分类问题为例,就很容易得到“未批准”的数据,而不是“已批准”的信息,结果,模型会更偏向具有大量训练实例的类,这降低了模型的预测能力

在这篇文章中，将尝试解释Computer Vision和OpenCV库的工作原理。在整篇文章中，将介绍：什么是计算机视觉？计算机视觉如何工作？计算机视觉的应用、什么是OpenCV？OpenCV的简史、OpenCV快速入门让我们逐步开始

商汤科技与清华大学启动“感知计算” 产学研深度融合专项 共建校企合作新范式

文/陈根在科幻小说《三体》里,有这么一段描述:“每秒500万亿次浮点运算的计算机,出现在“面壁计划”里。这是第二位面壁者雷迪亚兹看到的人类最强的计算力,用于顶尖的核爆模拟。”这里的浮点运算可以理解成对小数进行计算,是非常精细的运算模式,现实生活中的科学计算往往难以实现

5月30日是第5个“全国科技工作者日”。在这个向科学家致敬的日子,钱学森、邓稼先、吴文俊、袁隆平、黄旭华等许多老一辈科学家在这天成为人们“追星”的对象。人们总是要问:在那个一穷二白的年代,他们是怎样做到的?尤其是,那个没有电子计算机的年代,他们是怎么运算、模拟、设计的?用算盘吗?还真是

作为人类视觉在机器上的延伸，机器视觉凭借其分辨率高、速度快、范围宽、适应性强、精度高、可量化及可持续工作等优势，将图像处理应用于工业自动化领域，成为智能制造繁荣发展的推动力。文︱郭紫文20世纪50年代，Gilson 提出“光流”概念，机器视觉就此萌蘖

前言:归一化相关技术已经经过了几年的发展,目前针对不同的应用场合有相应的方法,在本文将这些方法做了一个总结,介绍了它们的思路,方法,应用场景。主要涉及到:LRN,BN,LN, IN, GN, FRN, WN, BRN, CBN, CmBN等

在计算机视觉中存在很多的专业术语,如先验知识,语义信息,embedding,head,neck等。这些术语的解释无法直接在网上搜到,也没有在哪一篇论文中定义它们的概念和意义,因此,对于第一次听到这些术语的读者来说会非常的困惑

前言:对于任何想要创建可扩展服务的人来说,部署大内存的深度学习算法是一项挑战。 从长远来看,云服务是昂贵的。 在边缘设备上离线部署模型更便宜,并且还有其他好处。 唯一的缺点是它们缺乏内存和计算能力。本文探讨了一些可用于在内存受限设置中拟合神经网络的技术

前言:注意力机制在视觉上是非常重要的部分,这方面的综述、总结有很多。为了本文总结的全面性,我基本都看了一遍。然而这些综述要么面面俱到,对所有内容都非常详细地阐述,包括一些非常不常用的,过时的论文或结构;要么没分清重点,有些内容跟论文有关,但跟注意力无关,这些文章也把这些内容总结到里面

最近几个月,AI行业国际顶级盛会接连召开,与以往不同的是,在如今的AI领域的国际顶会中,像百度这样的中国AI企业开始摘得更多的AI学术奖项。继先后登陆AAAI2021、QIP2021、IJCAI2020等国际顶级会议之后

前言公众号在前面发过三篇分别对BatchNorm解读、分析和总结的文章(文章链接在文末),阅读过这三篇文章的读者对BatchNorm和归一化方法应该已经有了较深的认识和理解。在本文将介绍一篇关于BatchNorm举足轻重的论文

介绍在计算机视觉中,我们有一个卷积神经网络,它非常适用于计算机视觉任务,例如图像分类、对象检测、图像分割等等。图像分类是当今时代最需要的技术之一,它被用于医疗保健、商业等各个领域,因此,了解并制作最先进的计算机视觉模型是AI的一个必须的领域

6月23日报道（文／盛佳莹）6月22日，格灵深瞳申请科创板上市已获受理，拟募资10亿元。根据招股书显示，2018－2020 年，格灵深瞳分别实现营业收入 5，196．35 万元、7，121．07 万元和24，271．56 万元

前言:特征金字塔是目前用于目标检测、语义分割、行为识别等方面比较重要的一个部分,对于提高模型性能具有非常好的表现。不同大小的目标都经过了相同的降采样比例后会出现较大的语义代沟,最常见的表现就是小目标检测精度比较低

“放大灯”将不定期邀请科技行业的创业者进行分享,请他们说出对行业的前沿洞见。与早年许多“草根英雄”创业者不同,他们有着长期学术研究积累,在象牙塔里发现了产业缺环,也看见了技术转化至生产力的可能,于是决定投身科技产业之路

前言:一直想写损失函数的技术总结,但网上已经有诸多关于损失函数综述的文章或博客,考虑到这点就一直拖着没写,直到有一天,我将一个二分类项目修改为多分类,简简单单地修改了损失函数,结果一直有问题,后来才发现是不同函数的标签的设置方式并不相同

前言:机器学习的模式是通过大量的数据喂给一个模型,模型会根据数据不断调整自身参数,最终具备判别这些数据的模式或特征的能力。若模型无法从这些数据中训练出一个很好的效果,则认为它是欠拟合。若模型在训练的时候达到很好的效果,而在未参与训练的数据上测试,效果不好,则认为它是过拟合

前言:前面分享了一篇《继SE,CBAM后的一种新的注意力机制Coordinate Attention》,其出发点在于SE只引入了通道注意力,CBAM的空间注意力只考虑了局部区域的信息,从而提出考虑全局空间信息的注意力机制

前言:知识蒸馏是一种在繁琐的模型中提炼知识并将其压缩为单个模型的方法,以便可以将其部署到实际应用中。AI的教父Geoffrey Hinton和他在Google的两个同事Oriol Vinyals和Jeff Dean于2015年引入了知识蒸馏