深度学习领域的入门数据集，当前主流的深度学习框架几乎都将MNIST数据集的处理入门第一教程。MNIST是一个手写数字数据库，它有60000个训练样本集和10000个测试样本集，每个样本图像的宽高为28*28，数字放在一个归一化的、固定尺寸的图片的中心。
花朵识别系统，基于Python实现，深度学习卷积神经网络，通过TensorFlow搭建卷积神经网络算法模型，并对数据集进行训练最后得到训练好的模型文件，并基于Django搭建可视化操作平台。
传统的UI自动化框架（UIAutomator、Espresso、appium等），或多或少在这些方法做的不够完美。
利用计算机图像识别、地址库、合卷积神经网提升手写运单机器有效识别率和准确率，大幅度地减少人工输单的工作量和差错可能。
每天给你送来NLP技术干货！ ---- 来自：机器之心 编辑：杜伟 神奇的红石，神奇的我的世界，不可思议的 UP 主。 在我的世界（Minecraft）中，红石是一种非常重要的物品。它是游戏中的一种独特材料，开关、红石火把和红石块等能对导线或物体提供类似电流的能量。 红石电路可以为你建造用于控制或激活其他机械的结构，其本身既可以被设计为用于响应玩家的手动激活，也可以反复输出信号或者响应非玩家引发的变化，如生物移动、物品掉落、植物生长、日夜更替等等。 因此，在我的世界中，红石能够控制的机械类别极其多，小到简
问耕 编译整理 量子位 出品 | 公众号 QbitAI 本文作者是MIT的大二学生Michael Gump（阿甘），内容为他在无人车公司Voyage的工作总结。本文还得到Voyage首席执行官Oliv
偶尔翻翻深度学习方面的新闻信息，不得不再次感慨：深度学习真的是太好玩了！兴趣最重要，抛开深度学习玄妙复杂的内涵不谈，我们不应该咱直接被其复杂公式和理论而吓退。相反，让我们来看看利用深度学习完成的好玩的应用，寓教于乐，在兴趣中学习才是最关键的。
在当今这个信息爆炸的时代，人工智能（AI）和机器学习（ML）已经不再是遥不可及的科幻概念，而是逐渐成为我们生活的一部分。其中，深度学习（Deep Learning）作为机器学习的一个重要分支，凭借其强大的特征学习和处理能力，已经在图像识别、自然语言处理、语音识别等多个领域取得了显著的成果。本文将带你一起探索深度学习的奥秘，从入门到进阶，让你对深度学习有更深入的理解。
此前，小编为大家整理过一篇BT与IT融合的综述文章 👉 深度学习在生物科学领域的应用，这次姐妹篇来咯！《Computers in Biology and Medicine 》在今年3月在线发表了一篇综述文章，回顾了医学领域使用机器学习（ML）的情况；介绍了标准技术及其对医学诊断的影响；深入讨论了五种主要的医学应用（癌症、医学化学、大脑、医学成像和可穿戴传感器）中的问题；同时提供了该领域潜在的研究可能性和未来的举措。 机器学习（ML）已被广泛应用于解决各种复杂的挑战，如医疗、金融、环境、营销、安全和工业等
数字手写体识别数据集，常用来作为Deep Learning入门的基础数据集。它有60000个训练样本集和10000个测试样本集，每个样本图像的宽高为28×28。此数据集是以二进制存储的，不能直接以图像格式查看，不过很容易找到将其转换成图像格式的工具。 数据集大小：~12MB 下载地址：http://yann.lecun.com/exdb/mnist/index.html
简介 机器学习 机器学习分为： 有监督学习（Supervised Learning） 无监督学习（Unsupervised Learning） 强化学习（Reinforcement Learning, RL） 有监督学习 线性回归、逻辑回归、支持向量机、随机森林 无监督学习 自编码器、生成对抗网络 强化学习 DQN、PPO TensorFlow 安装 # 安装 # GPU 版本 pip install --upgrade tensorflow-gpu # CPU 版本 pip in
作者：lincolnlin，腾讯 WXG 专家研究员 微信识物是一款主打物品识别的 AI 产品，通过相机拍摄物品，更高效、更智能地获取信息。2020 年，微信识物拓展了更多识别场景，上线了微信版的图片搜索。本篇文章将与大家分享微信识物从识物拓展到通用图像搜索领域的发展过程。 微信识物 以上小视频简单介绍了识物的产品形态，它对微信扫一扫的扫封面能力进行了升级。打开微信扫一扫，左滑切换到“识物”功能，对准想要了解的物品正面，可以获取对应的物品信息，包括物品百科、相关资讯、相关商品。在微信识物发布不久，也
安妮 编译整理 量子位 出品 | 公众号 QbitAI 今天要讲的是个背景遥远的故事。 封存数世纪的植物标本可能包含人类还未发现的新物种，但由于目前还未实现完全数字化，人工鉴别归类植物标本不仅成本高，
云栖君导读：深度学习算法与计算机硬件性能的发展，使研究人员和企业在图像识别、语音识别、推荐引擎和机器翻译等领域取得了巨大的进步。六年前，视觉模式识别领域取得了第一个超凡的成果。两年前，Google大脑团队开发了TensorFlow，并将深度学习巧妙的应用于各个领域。现在，TensorFlow则超越了很多用于深度学习的复杂工具。 利用TensorFlow，你可以获得具有强大能力的复杂功能，其强大的基石来自于TensorFlow的易用性。 在这个由两部分组成的系列中，我将讲述如何快速的创建一个应用于图像识别的卷
你是否遇到过这种情况？——外出与小孩散步，TA发现一朵很漂亮的花，跑过来问你是什么，但是你突然愣住了—因为你并不知道它是什么花。 目前世界上至少存在250000种花，即便是经验丰富的植物学者也很难全部认识它们。如果现在告诉你以后不用尴尬对小孩承认你并不知道它是什么花，不久之后你就能在无论什么时候都能马上认出任何一种花卉或者任何植物的品种，会不会很期待？ 鉴于目前图像识别的强大能力以及使用智能手机随手拍照的便利，普通人通过使用工具也能轻松的识别各种花卉。这个工具叫做智能花卉识别系统（Smart Flower
本文介绍了利用VGG 16模型进行图像分类识别的实践，通过四个实验分别对枪的检测、小拼图的测试、老虎的检测和多个场景的检测进行了展示，同时介绍了预训练模型在图像分类中的重要作用，实验结果表明，预训练模型在图像分类中有着重要的应用，可以提高分类的精度和速度。
12月11日，2021年腾讯犀牛鸟精英科研人才培养计划正式对外发布。计划截止申报时间为2021年1月28日24:00。 本年度精英科研人才计划将延续人工智能领域顶尖科研人才培养，发布包含机器人、AI医疗、量子计算、智慧城市等12个前沿热议方向，71项研究课题。入选学生将由校企导师联合制定专属培养计划，并获得3个月以上到访腾讯开展科研访问的机会，基于真实产业问题及海量数据，验证学术理论、加速成果应用转化、开阔研究视野。同时项目组将为学生搭建线上和线下学习、交流平台，帮助学生挖掘更多潜能。 本期小编整理了该计
本文报告介绍了深度学习在物体检测方面的最新进展，以及研究团队最近的几项研究工作，同时对深度学习在检测问题上的瓶颈和下一步突破进行了展望。
图像场景识别是DL＋计算机视觉处理的入门程序之一，因此在构建AI展示框架的第一步，则是实现基于flask的图像场景识别。
面部是人体的独特标识，每个人都有着独特的面部特征。通过一个人的面部可以识别出其身份，不过双胞胎可能有点困难。那么什么是面部识别系统？简单来说，面部识别系统是一种通过人的面部轮廓比较和分析来从数字图像或视频源中识别人的身份的技术。人脸识别已经成为深度学习的重要方向。
【IT168 评论】如果用刀来比喻芯片，通用处理器好比一把瑞士军刀，人工智能时代好比要拿刀来切肉，瑞士军刀可以拿来用，但它并非是为切肉设计的，所以效果并非最好。因此，需要专门打造一把切肉的刀，这把刀既要方便切肉，又要方便剁骨头，还需要具有一定的通用性。 从技术上而言，深度学习的人工神经网络算法与传统计算模式不同，它能够从输入的大量数据中自发的总结出规律，从而举一反三，泛化至从未见过的案例中。因此，它不需要人为的提取所需解决问题的特征或者总结规律来进行编程。人工神经网络算法实际上是通过大量样本数据训练建立了输
实木板材在国民经济中扮演重要角色，被广泛使用在国家建设中。为了提高林业资源利用率，实现企业木材加工的可持续发展，基于深度学习对实木板材缺陷图像进行检测，准确检测和识别表面缺陷位置信息。实木板材加工设备的研制已经取得一定成绩，但大多数实木板材智能加工设备功能单一，缺乏多种功能一体化的经济型设备。
垃圾分类智能分析系统应用python+yolov7网络模型深度学习识别技术，垃圾分类智能分析系统自动识别违规投放行为并现场进行语音提示实时预警。垃圾分类智能分析系统如垃圾满溢抓拍预警、人脸识别、工服识别、厨余垃圾混投未破袋识别预警、垃圾落地识别预警、人来扔垃圾语音提醒等。我们选择当下YOLO最新的卷积神经网络YOLOv7来进行垃圾分类识别检测。今天提到的 YOLO就是一种 one-stage方法。YOLO是You Only Look Once的缩写,意思是神经网络只需要看一次图片，就能输出结果。
视觉是最重要的感官之一，我们通过眼睛看到大千世界，通过大脑分析看懂场景，并能回忆过往的视觉记忆。计算机视觉，就是利用电子、信息、计算机等技术，采用电子成像系统作为基础的感知单元采集视频图像，并通过信息化技术，分析并解释采集到的视频图像。计算机视觉从学术上分类，包括图像处理、模式与图像识别、事件分析、场景理解等众多图像相关的技术学科，以及计算机、信号处理、物理学、数学、生物学等多个基础学科，且随着人工智能技术的演进还在不断发展。
计算机视觉与机器视觉，首先是应用场景不一样，就像@Vinjn张静 回答的那样：你把摄像头对着人就是CV，对着车间就是MV。 计算机视觉和机器视觉应用场景不同，就像拉货车和载客车是的，侧重点不同而已，一个侧重人工智能分支，一个侧重工业应用！简单说起来的话，计算机视觉偏重于深度学习并且偏向软件，机器视觉偏重于特征识别同时对硬件方面要求也比较高，不过随着对智能识别要求越来越高的发展，这两个方向毕竟会互相渗透互相融合，区别也仅仅限于应用领域不同而已。 其次，我感觉最大的区别，在于技术要求的侧重点不一样，甚至差别很
深度学习（深度神经网络）作为机器学习的一个重要分支，持续推动了很多领域的研究和应用取得新的进展，其中包括文本处理领域的情感分类问题。由于可以对文本进行更有效的编码及表达，基于深度学习的情感分类对比传统的浅层机器学习和统计学方法，可以取得更高的分类准确率。当前，情感分析在互联网业务中已经具有比较广泛的应用场景，成为了一个重要的业务支持能力。本文结合腾讯鹅漫U品业务在中文文本情感分类上的应用和实践经验，与读者一起学习及探讨。
本文涵盖了所有行业中各种创新且有价值的计算机视觉应用。一起来了解市场上最好的计算机视觉项目、计算机视觉创意和高价值案例吧。
无人驾驶汽车最早可以追溯到1989年。神经网络已经存在很长时间了，那么近年来引发人工智能和深度学习热潮的原因是什么呢？（点击文末“阅读原文”获取完整代码数据）
深度学习（深度神经网络）作为机器学习的一个重要分支，持续推动了很多领域的研究和应用取得新的进展，其中包括文本处理领域的情感分类问题。由于可以对文本进行更有效的编码及表达，基于深度学习的情感分类对比传统的浅层机器学习和统计学方法，可以取得更高的分类准确率。当前，情感分析在互联网业务中已经具有比较广泛的应用场景，成为了一个重要的业务支持能力。本文结合腾讯鹅漫U品业务在中文文本情感分类上的应用和实践经验，与读者一起学习及探讨。 一、 文本情感分析的发展与挑战 1. 情感分析的发展 情感分析（Sentiment
1）提出的扩散嵌入网络可以解决流形不匹配问题，并且易于生成潜码，与 ImageNet 潜在空间更好地匹配。
大数据文摘作品 编译：余志文、Ether、钱天培 “卷积神经网络（CNN）的时代已经过去了！”——Geoffrey Hinton 酝酿许久，深度学习之父Geoffrey Hinton终于在上月发表了备受瞩目的Capsule Networks(CapsNet)。 Hinton本次挟CapsNet而来，大有要用它取代CNN的气势。那么，CapsNet相比CNN到底有哪些优势？它又是否能为AI界带来革命性转折呢？今天，文摘菌就来为大家科普一下这一深度学习的新里程碑。 首先，这位被誉为深度学习之父Geoffrey
1956年，达特茅斯会议，“人工智能”概念被首次提出。他们梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样特性的机器。
随着人工智能的发展和落地应用，以地理空间大数据为基础，利用人工智能技术对遥感数据智能分析与解译成为未来发展趋势。本文以遥感数据转化过程中对观测对象的整体观测、分析解译与规律挖掘为主线，通过综合国内外文献和相关报道，梳理了该领域在遥感数据精准处理、遥感数据时空处理与分析、遥感目标要素分类识别、遥感数据关联挖掘以及遥感开源数据集和共享平台等方面的研究现状和进展。首先，针对遥感数据精准处理任务，从光学、SAR等遥感数据成像质量提升和低质图像重建两个方面对精细化处理研究进展进行了回顾，并从遥感图像的局部特征匹配和区域特征匹配两个方面对定量化提升研究进展进行了回顾。其次，针对遥感数据时空处理与分析任务，从遥感影像时间序列修复和多源遥感时空融合两个方面对其研究进展进行了回顾。再次，针对遥感目标要素分类识别任务，从典型地物要素提取和多要素并行提取两个方面对其研究进展进行了回顾。最后，针对遥感数据关联挖掘任务，从数据组织关联、专业知识图谱构建两个方面对其研究进展进行了回顾。
在深度学习领域，通过预训练模型作为检查点开始训练生成神经网络模型实现对新任务的支持，这种方法通常被称为迁移学习，它的好处是不用再重头开始设计与训练一个全新的网络，而是基于已经训练好的网络模型，在其基础上进行参数与知识迁移，只需要很少量的计算资源开销与训练时间就可以实现对新任务的支持。
随着5G商用大规模落地，以及智能手机硬件性能越来越强、AIoT设备的快速普及，基于云-边缘-端算法和算力结构的移动端人工智能，仍有非常大的发展空间，亟待我们快速理解移动端深度学习的原理，掌握如何将其应用到实际业务中。
【新智元导读】感谢清华大学计算机系教授邓志东向新智元投稿，他在《人工智能前沿技术与产业发展趋势》报告中指出，深度学习是人工智能的最新突破，一定要和大数据结合起来，做数据驱动下的感知智能产品研发，认知智能是前沿研究，支撑人工智能应用的硬件引擎也很重要。邓志东认为，弱人工智能的产业发展正处于爆发期，大家可以开始做工程化的应用产品开发了，私有大数据和深度学习芯片是制胜的关键和法宝。 【作者介绍】邓志东，清华大学计算机系教授，博士生导师。兼任中国自动化学会理事，中国自动化学会智能自动化专业委员会主任。
大数据文摘作品 学习斯坦福CS231n公开课的同学看过来，Assignment 2 的Q1-Q5详解来啦！本期作业详解帮你搞定基于神经网络的图片识别、卷积神经网络和深度学习框架Tensorflow，快来和文摘菌一起写作业吧！ 在不久前，文摘菌发布了李飞飞计算机视觉成名作斯坦福CS231n作业详解第一弹，点击查看相关第一弹内容，受到了很多读者的打call，文摘菌在此表示感谢，会继续做好服务大家的工作的 经过各位同学和编辑团队的不断努（cui）力（gao），本门课程的进展飞速，课程第二部分和第三部分的笔记也都已
OCR文字识别，基于腾讯世界领先的深度学习技术和海量数据，提供卡证、票据类、印刷体、手写体、自定义模板等多种场景和类型的文字识别服务，大大提高信息录入效率、降低客户使用成本。
简介：针对水稻病害虫害检测精度低、速度慢、模型体量大、部署困难等问题，本研究提出了轻量化YOLOv4-GhostNet水稻病虫害识别方法：1）利用幻象模块代替普通卷积结构，替换主干特征提取网络CSPDarkNet53，构建GhostNet特征提取结构；2）改进YOLOv4网络的加强特征提取部分PANet结构；3）利用迁移学习与YOLOv4网络训练技巧；4）模型对水稻病虫害检测的平均精确度达到89.91%，检测速度可达每秒34.51 帧，体量缩减为42.45 MB；5）与YOLOv4网络相比，网络规模减小了93.88%、网络参数缩减为原来的8.05%、训练速度每秒钟提升了11.59 帧。
作为机器学习的一个分支，深度学习可以说是当下相当热门的一个话题。像Google、Microsoft、IBM这样的巨头都围绕深度学习重点投资了一系列新兴项目，他们的目标是为了开发能够学习越来越多复杂任务的神经网络。但是它是如何工作的呢？本文中我们一起来进行探讨。 你有收到过垃圾邮件吗？ 当下垃圾邮件过滤器早已替我们过滤掉大部分我们不想收到的电子邮件，且精度十分之高。但是并没有多少人知道这些垃圾邮件是如何与正常邮件筛选开的。因为新的垃圾邮件地址能够很容易重新注册，所以不能简单地基于发件人地址来进行过滤。第二个
在互联网行业中，在移动端应用深度学习技术的案例越来越多。从深度学习技术的运行端来看，主要可以分为下面两种。
在本文中，我将会对我本科毕业设计的核心AlexNet卷积神经网络进行详细的讲解，我将会分成三个部分来进行阐述：
在各学科中(如林业、自然保护和农业)，都需要在时间、空间上识别和表征维管植物，遥感技术是揭示植被时空格局的关键技术。利用不断增长的遥感数据流来满足日益增长的植被评估和监测需求，则需要高效、准确和灵活的数据分析方法。深度学习方法在这方面具有较高预测精度，并且以端到端的方式独立学习相关数据特征。
自笔者于2019年8月发出了深度学习实战之垃圾分类博文以来，已被访问上万次，几百次的收藏。同时也有很多的人询问笔者关于这个项目的问题。在这里非常的感谢大家的厚爱。其实很早就想再迭代一个垃圾分类项目出来，但是由于之前比较的忙，一直没有时间将其落实。最近没什么事情，笔者花了一些时间又重新做了一个垃圾分类系统。希望对大家学习研究有所帮助。说干就干，接下来，笔者就详细的介绍一下这个项目。
深度学习通常是训练深度（多层）神经网络，用于模式识别（如语音、图像识别）；深度网络 指是具有深层（多层）网络结构的神经网络。
雷锋网 AI 研习社按：计算机视觉技术从 70 年代到现在，40 多年时间得到迅速发展，许多计算机视觉的应用出现在了生产生活领域。尤其是到了 2012 年，基于深度学习的图像识别技术出现，极大地提高了计算机视觉的识别精确度，在一些特定场景下，机器的识别错误率已经远低于人眼识别的错误率。与此同时，研究员也发现在真实世界中，那些细粒度，实例级级别的物体识别还存在很大的挑战！ 为了能使这一领域得到快速突破，谷歌向全球 CV 领域的开发者们发送了 iNaturalist 2018 挑战赛的邀请函。iNaturali
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
