代码编织梦想

图像降噪方法-爱代码爱编程

文章首发于微信公众号《有三AI》 【技术综述】一文道尽传统图像降噪方法 图像预处理算法的好坏直接关系到后续图像处理的效果,如图像分割、目标识别、边缘提取等,为了获取高质量的数字图像,很多时候都需要对图像进行降噪处理,尽可能的保持原始信息完整性(即主要特征)的同时,又能够去除信号中无用的信息。 并且,降噪还引出了一个非常热门的研究方向,即美颜磨皮,这对于中国

2021-07-22-爱代码爱编程

一、序言     初次看到信息熵的公式有很多不理解的地方,只知道信息熵如何进行计算,却不懂得公式背后的原理,我通过查阅了一些资料,加深了对信息熵的理解,现在将这些理解分享给大家。如有疑问欢迎评论,若对你有帮助,麻烦点个赞。未经允许、请勿转载。(本文适合只知道信息熵的公式,但是不明白其中原理的人进行阅读) 二、什么是信息熵     正如我们想

谷歌再遭反垄断起诉:曾试图“扼杀”三星应用商店!-爱代码爱编程

整理 | 郑丽媛 出品 | CSDN(ID:CSDNnews) 这几个月对谷歌来说可谓是“多事之秋”,一直深陷反垄断调查,并惹上了好几起反垄断官司: 2020 年 10 月,美国司法部指控谷歌通过反竞争手段,维护其在搜索引擎和线上广告领域的垄断地位;同年 12 月,以德克萨斯州为首的 10 个共和党州总检察长指控谷歌与脸书

从摩托罗拉、诺基亚再到航空领域应用,这款开源数据库的成功如何成就天才程序员?-爱代码爱编程

作者 | Richard Hipp      编译 | 马超 出品 | CSDN(ID:CSDNnews) 如果说有什么事物能够使男程序员心中的父爱完全觉醒,那我想一定是投身于自己创建的开源项目中去了。在和熊谱翔、黄东旭等储多开源大神的接触中,我可以明显感到他们对于自身开源项目的那份执着与热爱。虽然说贝佐斯、盖茨等IT巨头

『我与飞桨的故事』PaddlePaddle最菜程序员的飞桨之旅-爱代码爱编程

PaddlePaddle最菜程序员的飞桨之旅—三岁 个人介绍结缘之路万万没想到第一次认识那么简单进一步了解Model不断的相互认知总结——肺腑之言Paddle一个小白也可以简单学会的深度学习框架 大家好,这里是大家熟悉的三岁,眨眼间又到了年尾,一年中冲KPI的时间到了,借着这个机会再来 水一篇博客,谈谈自己和paddle的相识相知与相互学习。

谁才是轻量级CNN的王者?7个维度全面评测mobilenet/shufflenet/ghostnet-爱代码爱编程

                            目录结构 1、轻量级网络概述 2、官方数据对比 2、实验对比 3、实验结论 如果嫌累,直接跳到第三部分,看实验结论   1、轻量级网络概述         常规的CNN推理,由于需要很大的计算量,很难应用在移动端,物联网等资源受限的场景中。只有通过复杂的裁剪,量化才有可能勉强部署到移

利用open-cv对黄晓明、AB、刘亦菲图片进行人脸识别-爱代码爱编程

利用open-cv对黄晓明、AB、刘亦菲图片进行人脸识别 1. 简单的小示例2 项目所需材料及业务逻辑3 人脸检测并截取图片保存在本地4 制作标签5 训练模型6 模型测试总结 手动反爬虫: 原博地址 知识梳理不易,请尊重劳动成果,文章仅发布在CSDN网站上,在其他网站看到该博文均属于未经作者授权的恶意爬取信息 如若转载,请标明出处,谢谢

机械臂论文笔记(五)【2020抓取检测】机器人目标抓取区域实时检测方法 卢智亮-爱代码爱编程

论文下载 摘 要 摘 要:针对目前机器人目标抓取区域检测方法无法兼顾检测准确率和实时性的问题,提出一种基于 SE-Retina Grasp神经网络模型的机器人目标抓取区域实时检测方法。该方法首先以一阶目标检测模型RetinaNet为基础提取抓取框位置及抓取角度;针对抓取检测任务采用 SENet结构确定重要的特征通道;结合平衡特征金字塔设计思想,充分融合

GAN对抗生成网络原始论文理解笔记-爱代码爱编程

文章目录 论文:Generative Adversarial Nets符号意义生成器(Generator)判别器(Discriminator)生成器和判别器的关系GAN的训练流程简述论文中的生成模型和判别模型GAN的数学理论最大似然估计转换为最小化KL散度问题定义

论文笔记——Sparse R-CNN-爱代码爱编程

论文下载: https://msc.berkeley.edu/research/autonomous-vehicle/sparse_rcnn.pdf 论文代码: https://github.com/PeizeSun/SparseR-CNN 论文摘要: 提出一种纯稀疏(purely sparse)的图像目标检测方法,从图像

Tensorflow基础 Hello World!-爱代码爱编程

Tensorflow输出Hello World! Tensorflow 1.X:Tensorflow 2 :Tensorflow 2 中执行Tensorflow1.X代码 : Tensorflow 1.X: import tensorflow as tf #创建一个常值运算,将作为一个节点加入默认计算图中 hello=tf.constant(

端到端场景文本检测识别:Character Region Attention For Text Spotting-爱代码爱编程

基于CRAFT改进,提出的字符得分图有助于识别器更好地关注字符中心点,并且识别损失向检测器模块的传播会增强字符区域的定位。 ECCV2020 论文地址:https://arxiv.org/pdf/2007.09629 1. 总述 典型的场景文字检测识别分为检测和识别模块两个单独的分支,并且通常使用RoI Pooling来让这两个分支共享视觉特

图卷积网络在文本和视频的关系对齐中的应用-爱代码爱编程

1.写在前面 原文来自知网《基于视觉-文本关系对齐的跨模态视频片段检索》 这是一篇关于利用文本进行视频片段检索的论文。 2.论文要点 论文总结了前人研究工作的缺点,并借助图结构在表达关系时的强大能力与图卷积网络的近年发展,,提出了跨模态关系对齐的图卷积框架 CrossGraphAlign, 具体就是CrossGraphAlign首先为查询文本和待检

零基础学习python 你该怎么做-爱代码爱编程

本人文科生,回顾自己近 2 年的Python 自学经历,有一些学习心得和避坑经验分享给大家,让大家在学习 Python 的过程中少走一些弯路!减少遇到不必要的学习困难! 首先,最开始最大的困难应该就是对编程的抵触与恐惧心理,总觉着编程似天书,一堆奇怪的符号组成的文件,这种心理会伴随很长时间,需要努力的去接受并克服它。 作为过来人建议从最最基础的命令开始

人工智能的认识-爱代码爱编程

人工智能 什么是人工智能? 谈到人工智能,我们就会联想到:大数据、云计算、深度学习和脑类智能等科技的发展。人工智能的浪潮又一次掀起。 人工智能:人工智能是计算机科学中涉及研究,设计和应用智能机器的一个分支。其近期的主要目标在于研究用机器来模仿和执行人脑的某些智力功能,并开发相关理论和技术,随着人工中能的发展,人工智能将涉及到计算机科学,心理学,哲学和

3个独一无二的机器学习Python库-爱代码爱编程

Python有大量广泛应用于数据科学的软件包,其中部分工具旨在实现机器学习算法。我将介绍一些新的软件包,您以前可能从未听说过这些工具,或者用得很少。这些库使机器学习算法的选择变得更快和更容易。如果您想了解更多重要的机器学习Python库,请继续阅读,它们并不是scikit-learn,TensorFlow。我们将讨论PyCaret,pickle和Imbal

Python实现定时自动化收取,不用担心忘记收取蚂蚁森林,你学会了吗?-爱代码爱编程

1. 概述 提到蚂蚁森林,大家应该都知道,你是否有因忘记收取能量而被好友收取的经历呢? 如果你不是蚂蚁森林重度用户,被别人收取了能量可能对你来说没什么。 但如果你是蚂蚁森林重度用户,遇到能量被偷 … 本文我们来看一下如何使用 Python + Appium 实现定时自动化收取蚂蚁森林能量。 2. 环境 本文主要环境如下: 1.Win7 2

宝马区块链负责人:我们是如何让区块链技术与汽车产业结合的?-爱代码爱编程

将分类账技术与数据分析相结合开辟了新的可能性,宝马集团对此感到兴奋。 专栏简介 不知不觉区块链已经发展了近10年,但哪怕到现在也还会有人质疑区块链当前并没有什么实际应用,但恰恰相反,凭借过去几年的技术积累和行业探索,区块链已经悄悄在一些行业生根发芽…… 而“区块链应用案例”的专栏意在通过一些区块链与实体产业结合的具体案例,以此探索到区块链真正的落

机器学习完整资源推荐(持续更新中)-爱代码爱编程

寻找志同道合的学习伙伴,请访问我的个人网页. 该内容同步发布在CSDN和耳壳网. 写在前面 该栏目持续更新机器学习的相关资料,这些都是经过博主的精心挑选后呈现给大家的,省去了你找资源的时间并且避免走弯路,所以建议你收藏该网页,不定时过来看看有没有新资源更新。我在这里保证 一旦更新,必属精品!并且更新是按照从入门到精通、先易后难的顺序进行的

蚂蚁数据分析平台的演进及数据分析方法的应用-爱代码爱编程

正文开始 分享嘉宾:杨军 蚂蚁金服 高级技术专家 编辑整理:兴金朝 内容来源:DataFun Talk《数据分析平台:平台演进及数据分析方法应用》 出品社区:DataFun 大家好,今天主要分享数据分析平台的平台演进以及我们在上面沉淀的一些数据分析方法是如何应用的。 具体分以下四部分: Part1:主要介绍下