“无穷小亮的科普日常”经常会发布一些鉴定网络热门生物视频，既科普了生物知识，又满足观众们的猎奇心理。今天我们也来鉴定一下网络热门植物！最近春天很多花都开了，我正好趁着清明假期到户外踏青并拍摄了不少花卉的照片。
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
Visual Studio2019 Preview中提供了图形界面的ML.Net，所以，只要我们安装Visual Studio2019 Preview就能简单的使用ML.Net了，因为我的电脑已经安装了Visual Studio2019，所以我不需要重头安装Visual Studio2019 Preview，只要更新即可。
回想一下，在本系列文章的第一篇中，我们学习了为什么需要载入预训练网络以及如何载入预训练网络，同时我们演示了如何将预训练网络的分类器替换为我们自己的分类器。在本篇推文中，我们将学习如何训练自己的分类器。
在百度第五届Hackathon（百度内部编程马拉松）上，李彦宏一如既往地参与点评。据百度内部同学爆料，这次李彦宏尤其被一个美女博士领衔的学生团队“赏花宝典”应用所吸引。 88年美女博士与“赏花宝典” 据百度同学说本次Hackathon是首次对外开放，有6支校园高手组队参加Hackathon。其中一支名为TAGroup的校园代表队leader是88年美女博士古晓艳，目前在中科院计算所读大数据方向的博士。 通过主动争取李彦宏的注意，这个团队的Demo（原型）吸引了李彦宏。这个Demo被命名为“赏花宝典”。基于手
图像修复技术是一种用可选内容填充目标区域的技术，它的主要用途是在对象删除任务中，从照片中删除一个对象，并用希望能保持图像上下文完整性的内容自动替换被删除的部分。
将花卉图片上传到小程序，就可以实现短期租花养花的需求，通过小程序控制浇灌系统和花盆的锁扣，还能实现远程养护和共享花卉的无人化销售；在野外，遇见了菌类，打开小程序，就能够进行有毒野生菌识别；打开云打印小程序，无需再排长长的队伍等待，能够直接远程打印……这些充满创意的小程序，都是云南大学学生结合校园学习生活的需要设计开发的。 11月28日，由云南大学联手腾讯教育共同举办的“小程序云开发挑战赛”总决赛在云南大学呈贡校区信息学院举行。云南大学本科生院副院长、创新创业学院院长杨舒然，云南大学信息学院党委书记赵征鹏，
最近在深度学习算法和硬件性能方面的最新进展使研究人员和公司在图像识别，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，首次机器在视觉模式识别方面的表现首次超过人类。两年前，Google Brain团队发布了TensorFlow，让深度学习可以应用于大众。TensorFlow超越了许多用于深度学习的复杂工具。 有了TensorFlow，你可以访问具有强大功能的复杂特征。它之所以如此强大，是因为TensorFlow的易用性非常好。 本文由两部分组成，我将介绍如何快速创建用于实际图像识别的卷积神经网络
语言图像数据是深度学习技术的一种非常流行的用法。在本文中将讨论使用深度卷积神经网络识别花卉图像。
静电说：100种颜色做的设计，你见过吗？今天咱们就来看看这位女性设计师的作品。内有N多gif大图，流量党慎入！
机器之心原创 作者：思源 近日，百度发布了用于花卉识别的移动端应用，这种基于全卷积注意力网络的细粒度识别方法在计算和准确度上都有非常强大的优势。在百度主任研发架构师陈凯和资深研发工程师胡翔宇的解释下，本文首先将介绍什么是细粒度识别，以及一般的细粒度识别方法，然后重点解析百度基于强化学习和全卷积注意力网络的细粒度识别模型。五一出游赏花，为女朋友解释解释细粒度识别也是极好的。 细粒度识别的概念其实非常简单，即模型需要识别非常精细的子类别。例如百度的花卉识别应用，模型不仅需要如一般识别问题那样检测出物体是不是
datasets文件夹包含的是tflearn预先准备的几个数据集加载文件。可以方便测试，具体如下
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
2016年被称为人工智能元年，人工智能开始受到广泛关注。2017年伊始，携程就开启了AI贺岁大片，推出集成图片识别和诗歌机器人双重高难度AI引擎的“小诗机”项目。 项目上线短短几天，受到数百万人的追捧
这学期修了一门机器视觉的选修课，课设要是弄一个花卉识别的神经网络，所以我网上找了开源代码进行了修改，最后成功跑起来，结果只有一个准确率（94%）
LeNet-5创造了卷积神经网络，但是LeNet-5并没有把CNN发扬光大，是CNN真正开始走进人们视野的是今天要介绍的——AlexNet网络。AlexNet网络源自于《ImageNet Classification with Deep Convolutional Neural Networks》这篇论文。作者是是Hinton率领的谷歌团队（Alex Krizhevsky，Ilya Sutskever，Geoffrey E. Hinton），Hinton在上一篇博客我们也曾介绍过，他是深度学习之父，在人工智能寒冬时期，Hinton一直就默默地坚持深度网络的方向，终于在2006年的《Science》上提出了DNN，为如今深度学习的繁荣奠定了基础。AlexNet利用了两块GPU进行计算，大大提高了运算效率，并且在ILSVRC-2012竞赛中获得了top-5测试的15.3%error rate， 获得第二名的方法error rate 是 26.2%，可以说差距是非常的大了，足以说明这个网络在当时给学术界和工业界带来的冲击之大。
李根 发自 凹非寺 量子位 报道 | 公众号 QbitAI 2月26日-3月1日，西班牙巴塞罗那。 全球手机业最具影响力和风向标的大会：世界移动大会(MWC)，就此拉开帷幕。 虽然显得后知后觉，但
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。
文：罗超，封面图：李彦宏在2015年极客公园创新大会演讲 近日，李彦宏参加了极客公园一年一度举办的创新大会，主持人与李彦宏聊到了他最近申请的一个专利吸引了我的兴趣。这个专利名字叫“对象识别技术与装置”，这个专利可以让人与机器的交互多轮进行，从案例来看这个专利让机器与人的对话更加自然。一份国外调查结果显示ios7设备Siri使用率只有15%。GoogleNow、微软Cortana以及中文语音助手们并未如最初预想的那样普及。核心原因在于，所有语音助手的对话都太不自然：只支持一问一答，不支持基于上下文的对话。如
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。
TLDR; 本系列是基于检测以下现实生活代码记录中复杂策略的工作。该系列的代码可以在原文找到。
图来自http://www.weixiushen.com/project/Awesome_FGIA/Awesome_FGIA.html
给概览功能的可视化作为一个研究领域，并推出了FlashTorch- 一个开放源码的功能可视化工具包建在PyTorch神经网络。
Learn how to classify images with TensorFlow 使用TensorFlow创建一个简单而强大的图像分类神经网络模型 by Adam Monsen ▌引言 ---- 由于深度学习算法和硬件性能的快速发展，研究人员和各大公司在图像识别，语音识别，推荐引擎和机器翻译等领域取得了长足的进步。六年前，在计算机视觉领域首先出现重大突破，这其中以CNN模型在ImageNet数据集上的成功为代表。两年前，Google Brain团队开源TensorFlow，使得我们可以灵巧快速地
Learn how to classify images with TensorFlow 使用TensorFlow创建一个简单而强大的图像分类神经网络模型 by Adam Monsen ▌引言 由于深度学习算法和硬件性能的快速发展，研究人员和各大公司在图像识别，语音识别，推荐引擎和机器翻译等领域取得了长足的进步。六年前，在计算机视觉领域首先出现重大突破，这其中以CNN模型在ImageNet数据集上的成功为代表。两年前，Google Brain团队开源TensorFlow，使得我们可以灵巧快速地开发自己的
Google 今年更新了目前最大的人造和自然地标识别数据集，发布了 Google-Landmarks-v2，数据集中包含超过 400 万张图片，描述了 20 万处类别地标。训练数据没有经过精细人工标注，类别数目严重不均衡，同一个地标的图像受到拍摄角度、遮挡、天气以及光线等影响很大，同时含有大量非地标数据，符合实际情况，非常具有挑战性。基于此数据集，今年总共吸引全球超过 300 支队伍参与了 Google 主办的地标检索识别竞赛。
循环生成对抗网络（简称CycleGans）[1]是功能强大的计算机算法，具有改善数字生态系统的潜力。它们能够将信息从一种表示形式转换为另一种表示形式。例如，当给定图像时，他们可以对其进行模糊处理，着色（如果其最初是黑白的），提高其清晰度或填补缺失的空白。
本篇文章提出了叠加生成对抗网络（StackGAN）与条件增强，用于从文本合成现实图像，被2017年ICCV（International Conference on Computer Vision）会议录取。
文本到图像的 AI 模型仅根据简单的文字输入就可以生成图像。用户可以输入他们喜欢的任何文字提示——比如，“一只可爱的柯基犬住在一个用寿司做的房子里”——然后，人工智能就像施了魔法一样，会产生相应的图像。
场景文字识别 图像相比文字能够提供更加生动、容易理解及更具艺术感的信息，是人们转递与交换信息的重要来源。图像分类是根据图像的语义信息对不同类别图像进行区分，是计算机视觉中重要的基础问题，也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础，在许多领域都有着广泛的应用。如：安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类，医学领域的图像识别等。 这里将介绍如何在PaddlePaddle下使用AlexNet、VGG、GoogLeNet、ResN
在《提高模型性能，你可以尝试这几招…》一文中，我们给出了几种提高模型性能的方法，但这篇文章是在训练数据集不变的前提下提出的优化方案。其实对于深度学习而言，数据量的多寡通常对模型性能的影响更大，所以扩充数据规模一般情况是一个非常有效的方法。
图像识别技术是信息时代的一门重要的技术，其产生目的是为了让计算机代替人类去处理大量的物理信息。随着计算机技术的发展，人类对图像识别技术的认识越来越深刻。图像识别技术的过程分为信息的获取、预处理、特征抽取和选择、分类器设计和分类决策。简单分析了图像识别技术的引入、其技术原理以及模式识别等，之后介绍了神经网络的图像识别技术和非线性降维的图像识别技术及图像识别技术的应用。从中可以总结出图像处理技术的应用广泛，人类的生活将无法离开图像识别技术，研究图像识别技术具有重大意义。 1、图像识别技术的引入 图像识别是人
欢迎来到《AI产品》专栏，本专栏面向所有热爱人工智能技术的朋友、同学。在本专栏中，会多多分享给大家不同种类的且新奇有趣的AI产品，对产品中的核心技术进行深度剖析。文章底部会推荐相关核心技术学习资料，全部原创！
伴随着图像处理技术的飞速发展，推动了图像识别技术的产生和发展，并逐渐成为人工智能领域中重要的组成部分，并广泛地运用于面部识别、指纹识别、医疗诊断等等领域中，发挥重要作用。
现在社会中人工成本是非常大的，因为这种状况所以现在很多工作使用到的机器也越来越多，尽可能的减少人为操作，这样就可以减少总体的成本提升本身的竞争力，提到机器操作不得不说的就是人工智能技术，越来越多的企业开始接触以及使用人工智能技术，从而减少人工成本的支出，让机器代替人力操作，比如现在比较火热的智能识别图像识别技术，那么智能识别图像识别采用了什么原理？智能识别图像识别有哪些应用？
顾名思义，图像识别就是对图像进行各种处理，分析，并最终确定我们要研究的目标。当今的图像识别不仅指人的肉眼，而且还指使用计算机技术进行识别。
1 图像识别是什么？ 2 图像识别的应用场景有哪些？ 什么是图像识别 图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。根据观测到的图像，对其中的物体分辨其类别
深度学习是一种非常强大的机器学习技术，它在许多领域都有广泛的应用。其中，图像识别是深度学习最成功的应用之一。本文将详细介绍深度学习在图像识别方面的应用。
看懂一个东西对人类来说很容易，但是对机器来说却是很难的，这个时候图像识别技术就应运而生。今天我们就为大家揭秘图像识别技术原理，告诉你机器如何利用卷积神经网络进行图像识别，从而“看见”这个世界。
这段时间垃圾分类相关小程序、APP的上线，让图像识别又一次进入人们的视线，我国图像识别技术在全世界都排在前列。
随着技术进入成熟期，在最容易实现落地的B端市场，图像识别正逐渐扩大自己的市场。 近日，美国权威杂志《MIT科技评论》（MIT Technology Review）公布了2017年度全球十大突破技术，其中属于AI范畴有三项技术，分别是强化学习、自动驾驶货车和刷脸支付。 其中，值得我们注意的是，虽然同属于2017年的突破性技术，但在距离进入成熟期的时间上，相对于强化学习和自动驾驶货车的还需要1-2年和5-10年时间，刷脸支付技术现在就已经进入了这一阶段。 根据平安证券发布的《通信行业人工智能图像识别专题报告》显
在电脑屏幕监控软件中，图像识别算法就像是一个电脑版的侦探，用着最先进的计算机视觉技术，自动监视和分析屏幕上的图像内容。图像识别算法可以轻松地识别出屏幕上的物体、文字、图案等等，不管它们是多么复杂或是隐蔽。无论你是在监控系统里还是在视频编辑软件中使用它，都会让你感觉到“嗯，这真的是太强大了！”下面就为大家简单的介绍一下图像识别算法在电脑屏幕监控软件中优势与实用性。
图像识别市场估计将从2016年的159.5亿美元增长到2021年的389.2亿美元，在2016年至2021年之间的复合年增长率为19.5％。机器学习和高带宽数据服务的使用进步推动了这项技术的发展。 。电子商务，汽车，医疗保健和游戏等不同领域的公司正在迅速采用图像识别。根据MarketsandMarkets的报告，图像识别市场分为硬件，软件和服务。以智能手机和扫描仪为主的硬件部分可以在图像识别市场的增长中发挥巨大作用。越来越需要具有创新技术（例如监控摄像头和面部识别）的安全应用程序和产品。
移动互联网、智能手机以及社交网络的发展带来了海量图片信息，根据BI五月份的文章，Instagram每天图片上传量约为6000万张；今年2月份WhatsApp每天的图片发送量为5亿张；国内的微信朋友圈也是以图片分享为驱动。不受地域和语言限制的图片逐渐取代了繁琐而微妙的文字，成为了传词达意的主要媒介。图片成为互联网信息交流主要媒介的原因主要在于两点：
最近，图像识别领域发布了白皮书，简单翻译一下做个总结。 ---- 目录 [1] Introduction 1.1 Exponential Growth of Image and Video 1.2 Statistics [2] Image Recognition [3] Recent Innovations 3.1 Approaches 3.2 Deep Neural Networks [4] Applications 4.1. Inform
安全帽图像识别算法依据AI深度学习+边缘计算，通过机器视觉ai分析检测算法可以有效识别工人是不是合规和配戴安全帽，安全帽图像识别算法提高视频监控不同场景下的主动分析与识别报警能力。安全帽图像识别算法系统搭载了全新的人工智能图像识别技术实时分析现场监控画面图像，与人力监管方式对比，规模化分析部署成本低廉，多算法并发是安全帽图像识别算法系统的优势所在。
（接上篇） 吸引之处 那么到底什么是图像识别呢？世界上的大多数事物有自己的名称，图像识别的功能就是告诉人们这些图像上显示的是哪些事物。换句话来说，根据图像辨别出图像中出现的事物。 我们无法从椅子的内在去描述它, 能做的就是给出很多个不同椅子的样子，然后说：长得像这样的，我们就称为椅子。所以实际上，我们是通过将看到的事物与椅子的外观进行对比，如果两者很像，我们就认为这个事物叫椅子，如果不像，那它就不是椅子。 现在有很多系统采用这种吸引子Attractors。想像这样一个场景，在群山周围，一滴雨有可
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
