醋醋百科网

Good Luck To You!

ISSCC技术创新看这里:三星首创内嵌AI芯片HBM,谷歌雷达5米识人

芯东西(ID:aichip001)

作者 | 温淑

编辑 | Panken

芯东西2月19日报道,目前,一年一度的国际固态电路会议(ISSCC 2021)正在进行中(2021年2月13日到22日),这是ISSCC会议首次以全线上形式举办。作为已有近70年历史的集成电路设计领域盛会,ISSCC亦被众多产学界玩家视为发布和展示其领先芯片技术的权威舞台,本届大会也不例外。

本届会议上,IBM、三星等公司展示了其在AI芯片领域的最新进展;谷歌、德州仪器等公司分享各自在雷达芯片中使用的创新技术;英特尔、荷兰代尔夫特理工大学等则展示其在量子芯片研发方面的最新尝试……

大模型深度学习TensorFlow实战迁移学习详解

1. 迁移学习概述基本概念:重用预训练模型的知识解决新任务,适用于数据不足的场景。重要性:避免从零训练,节省时间和计算资源。利用通用特征(如ImageNet中的物体特征)提升新任务性能。核心流程:1. 输入图像标准化(与预训练模型一致)。2. 截断预训练模型的最后一层,替换为自定义层。3. 冻结预训练层权重,仅训练新增层。 2. Inception V3架构解析核心设计:Inception模块:并行多尺寸卷积核(1x1、3x3、5x5),提取多尺度特征。1x1卷积:降维减少计算量。全局平均池化:替代全连接层,降低过拟合风险。输入要求:默认输入尺寸299x299(3通道)。 3. 构建迁移学习模型(实战步骤)步骤1:加载预训练模型```pythonbase_model = InceptionV3(weights='imagenet', include_top=False)```移除原分类层(`include_top=False`),保留特征提取层。步骤2:添加自定义层```pythonx = layers.Dense(1024, activation='relu')(base_model.output)predictions = layers.Dense(200, activation='softmax')(x)```输出层神经元数匹配新任务类别数(如200类)。步骤3:冻结预训练层```pythonfor layer in base_model.layers:layer.trainable = False```步骤4:编译与训练使用`RMSprop`优化器训练新增层。微调时解冻部分层(如顶部172层),改用`SGD`优化器。 4. 关键注意事项数据标准化:必须与预训练模型一致(如ImageNet的均值/标准差)。层冻结策略:小数据集:冻结全部预训练层,仅训练新增层。大数据集:解冻部分层进行微调。性能优化:使用`GlobalAveragePooling2D`减少参数量。 5. 总结优势:加速训练、提升小数据集上的泛化能力。应用场景:图像分类、目标检测、医学影像分析等。扩展性:可替换其他预训练模型(如ResNet、EfficientNet)。#大模型 #大模型应用 #大模型训练 #大模型微调 #大模型面试 #大模型学习 #大模型部署 #多模态人工智能 #大模型入门#深度学习

特斯拉被一条胶带忽悠,将35“看成”85,异常加速80公里/小时

乾明 发自 凹非寺
量子位 报道 | 公众号 QbitAI

怎样能把一辆特斯拉忽悠“瘸”了?最近两名研究人员给出了答案:

用一条2英寸的胶带就够了。

他们用胶带对公路上的速度标识进行修饰后,成功欺骗2016年版特斯拉的摄像头系统,诱使其出现了50英里/小时(80公里/小时)的异常加速。

在不少网友看来,这反映了自动驾驶系统在“环境”方面的缺陷。同样有不少网友认为,这是在特定条件下实现的攻击,并不能产生太多的影响。

为什么一个AI要看《英雄联盟》的游戏直播?

原作:Robert Hunt(FormDs创始人)

李林 问耕 编译整理

量子位 出品 | 公众号 QbitAI

打游戏和看人打游戏,都是一种乐趣。

最近,吃鸡主播约战的事情峰回路转,最终还是没能上演。不光有人在游戏里使用外挂,看游戏直播的也有“外挂”,你信不信?这是真的。

观看游戏直播的群里体,现在多了一个特殊观众:AI。

AI在看哪个游戏的直播?不是最近大热的吃鸡,而是吃鸡制作人一直想要超越的巅峰:《英雄联盟》。

连通性在计算机视觉中应用(连通图举例)

在图像处理和计算机视觉中,"连通性(Connectivity)"是一个重要的概念,它描述了像素或区域之间的相互关联或接近性。在OpenCV等图像处理库中,连通性常常用于以下几方面:

分割(Segmentation)

连通组件标记(Connected Component Labeling)是一种基本的图像分割方法,它可以用于识别图像中相互连接的像素群(例如,一个前景物体)。在二值图像中,通常寻找具有相同像素值(通常是高亮值)并且在结构上相邻的像素组。

传统图像处理案例:对比两张图的差异

今天想和大家分享的一个例子,很简单,就是对比两张图存在什么差异。

没错,大体就是像“大家一起来找茬”找不同的益智游戏那样。

opencv 4.12.0版本发布详解:核心优化与新特性全解析


引言

OpenCV(25)——矩特征(opencv 特征值)

什么是矩特征

通过前篇博文的学习,我们知道如何从图像中分解轮廓。而矩特征是比较两个轮廓最简单的方法,通过它们的轮廓矩就能判断。

基于Python的OpenCV轮廓检测聚类(opencv轮廓提取原理)

简介

OpenCV的“findContours”功能经常被计算机视觉工程师用来检测物体。OpenCV的存在,使得我们只需要编写几行代码就可以检测轮廓(对象)。然而,OpenCV检测到的轮廓通常是分散的。例如,一个功能丰富的图像可能有数百到数千个轮廓,但这并不意味着图像中有那么多对象。一些属于同一对象的轮廓是单独检测的,因此我们感兴趣的是对它们进行分组,使一个轮廓对应一个对象。

C#使用 OpenCvSharp 计算每个轮廓面积的指南

在计算机视觉领域中,找到和分析图像中的轮廓(contours)是一个非常基础且重要的任务。轮廓可以帮助我们识别和处理图像中的对象。在本文中,我们将详细探讨如何使用 OpenCvSharp 库来找到图像中的轮廓并计算每个轮廓的面积。我们将使用一个完整的示例代码来解释整个流程。

准备工作

首先,我们需要确保已经安装了 OpenCvSharp。你可以通过 NuGet 包管理器来安装 OpenCvSharp4 和 OpenCvSharp4.runtime.win。

<< < 34 35 36 37 38 39 40 41 42 43 > >>
控制面板
您好,欢迎到访网站!
  查看权限
网站分类
最新留言