- 「Nature」网站日前发表了一项开创性的研究，该研究透过深度学习技术，来提升儿童行为听力测验的可行性与精确度。研究人员构建了一个专用设计的儿童姿势检测数据集，该数据集收录了大量来自儿童行为听力测试的珍贵影像资料，细腻地记录了各式典型的听力测试动作。基于此数据基础，研究人员进一步开发了一个智能检测平台，此平台的核心技术在于一个同步开发的患者骨骼关键点估计模型 （POTR），该模型同样基于优化Transformer架构，专职于精准估算人体骨骼的关键节点。 透过POTR的精确骨骼点定位能力，DoT平台得以对儿
- 关键字：
AI 听力检测 深度学习 姿势识别技术
- 机器学习定义机器学习（Machine Learning）本质上就是让计算机自己在数据中学习规律，并根据所得到的规律对未来数据进行预测。机器学习包括如聚类、分类、决策树、贝叶斯、神经网络、深度学习（Deep Learning）等算法。机器学习的基本思路是模仿人类学习行为的过程，如我们在现实中的新问题一般是通过经验归纳，总结规律，从而预测未来的过程。机器学习的基本过程如下：机器学习基本过程机器学习发展简史从机器学习发展的过程上来说，其发展的时间轴如下所示：机器学习发展历程从上世纪50年代的图灵测试提出、塞缪尔
- 关键字：
机器学习 深度学习 神经网络
- 文章 概述本文介绍了人工智能（AI）、 机器学习（ ML）、深度学习（DL）和边缘人工智能（Edge AI ）的 概念、特性及应用领域 ，详细阐述了ML的各种 训练模式 ，包括监督式、非监督式、半监督式、强化学习和自监督学习，并介绍了它们在各个领域的应用。最后，文章总结了AI、ML和Edge AI对各行各业的影响和未来 发展前景 ，强调它们将不断推动创新，为全球经济和社会带来更加智能、便捷的生活方式。人工智
- 关键字：
Digikey 人工智能 机器学习 深度学习
- MCX N系列NPU, 作为先进的人工智能处理器，以其强大的计算能力和高效的算法优化，不仅能够处理复杂的图像识别任务，还能在咖啡研磨过程中实现精准控制，确保每一粒咖啡豆都能得到恰到好处的处理。为AI咖啡机注入了前所未有的智能动力！先说结论，利用150MHz MCX N的NPU去推理咖啡豆烘焙程度(39mS)比用400MHz的M7内核推理(109mS)快了3倍!作为一名“咖市”的“MCU系统与应用工程师”一直为研磨咖啡豆的颗粒度而感到苦恼，每次换豆都要浪费2次18克豆子去实现“18克豆，10bar，30秒内
- 关键字：
NPU AI咖啡机 深度学习
- TFLite模型的开盲盒体验之flatbuffer格式介绍相信在嵌入式平台上部署过神经网络模型的伙伴，都不会对TFLite格式陌生。TFLite是谷歌推出的一个轻量级推理库，它的主要目标是在移动端和嵌入式设备上部署深度学习模型。为了在这些设备上运行，需要将训练好的TensorFlow模型转换成一种特殊的格式，这就是TensorFlow Lite模型。转换过程包括模型转化、部署和优化三个步骤，旨在提升运算速度并减少内存、显存占用。具体来说，这其中最终要的就是以.TFLite为格式的模型文件，其主结构为一个M
- 关键字：
TFLite 模型 推理库 深度学习
- 近年来，机器视觉系统越来越多地基于可变条件进行自动化决策。开发这些系统所需的时间和精力可能会让人望而却步。而深度学习的出现正在改变这一局面，并使自动化决策触手可及。开源库、Nvidia硬件和FLIR相机等资源正在帮助实现这一变化。走进深度学习“一张图片胜过千言万语”这句话在机器视觉领域里从未像今天这样真实。机器视觉可以将数千甚至数百万行代码用简单地经过图片和少量编码训练后的的神经网络所代替。深度学习是一种机器学习形式，它使用在输入和输出节点之间有许多“深层”层的神经网络。通过在大数据集上训练网络，可以创建
- 关键字：
Firefly DL 深度学习 人工智能
- 短期电力负荷精准预测对发电容量与输电方式的合理调度、确保电力系统安全、稳定运行起着至关重要的作用。本文针对负荷数据基数大、难提取、负荷预测影响因素多等问题，运用Mysql数据库和Python爬虫技术构建了短期负荷曲线预测基础数据平台，提高了数据的存取效率；针对电力负荷的随机波动性，运用Pandas、关联分析算法完成了缺失值处理和影响因素与用电负荷的相关性分析；为提高预测精度，探索使用了融合卷积神经网络、长短期记忆网格和注意力机制的多元混合神经网络模型。
- 关键字：
202302 深度学习 短期负荷预测 卷积神经网络 长短期记忆网格 Flask
- 视觉惯性导航一直是无人驾驶与机器人领域重点、难点环节。首先介绍经典算法框架，从基于最优平滑算法和预积分理论两个层面介绍经典视觉惯性融合算法。然后介绍新型算法框架，主要在深度学习基础上，从对整体框架学习的程度，将新型视觉惯性融合算法分为两类，部分学习和整体学习，最后介绍了主流算法中关键技术与未来展望。
- 关键字：
202302 视觉惯性导航 优化 耦合算法 深度学习
- 基于意外跌倒是造成老年人受伤、失能及死亡的主要原因，对近年来关于深度学习的跌倒检测研究进行了介绍。根据跌倒检测工作流程，从数据采集、数据处理、模型训练及状态识别几个方面进行了详细介绍，并对已有的基于深度学习的跌倒检测方法进行分析与比较，为将来的应用研究提供参考，并对将来的发展方向提出一些思考。
- 关键字：
深度学习 跌倒检测 卷积神经网络 长短期记忆网络 202212
- 将云边协同技术应用到深度学习模型的训练和部署，可以解决目前工业质检领域深度学习模型训练和部署方法的不足，使模型的训练和部署更加安全、高效、智能化、低成本。
- 关键字：
云边协同 深度学习 服务器部署 202212
- 摘 要：本文设计了一种改进的可迁移深度学习模型。该模型能够在离开可靠的训练环境（其中存在标签）并被
置于纯粹的无标签数据的领域时，输出依然可以持续得到改善，这种训练方式可以降低对监督学习的依赖程度。关键词：可迁移；深度学习；无标签*基金项目：湖南省教育厅科学研究课题“基于深度学习的智能无人机目标检测算法研究”(20C0105)；湖南省
自然科学基金项目《基于高光谱特征信息融合的油菜籽品质参数反演与建模》（2021JJ60093）；校级培育项目
“基于深度学习的目标检测算法研究”(22mypy15)1
- 关键字：
202210 可迁移 深度学习 无标签
- 摘要：虽然现已有许多关于图像注意力机制的研究，但是现有的方法往往忽视了特征图的全局空间结构和空
间注意力与通道注意力的联系。所以本文提出了一种基于整个空间拓扑结构的注意机制，将特征图映射成结点
与特征的形式，再借助图卷积网络的特性，得以从整个空间学习特征权重图。其次空间注意力与通道注意力一
体化结构能够更有效地学习特征权重。通过多个实验测试表明，在图像分类和人脸识别任务中，展现了优异的
性能和普遍适用性。关键词：深度学习；注意力机制；图像分类；人脸识别
随着计算机性能的提升，卷积神经网络 (co
- 关键字：
202207 深度学习 注意力机制 图像分类 人脸识别
- 编译|蒋宝尚 关于AI是什么，学界和业界已经给出了非常多的定义，但是对于AI理解，探讨尚不足。换句话说，计算机科学家解释深度神经网络（DNNs）的能力大大落后于我们利用其取得有用结果的能力。 当前理解深度神经网络的常见做法是在单个神经元特性上“折腾”。例如，激活识别猫图像的神经元，而关闭其他神经元的“控制变量法”。这种方法的学术术语叫做“类选择性”。 由于直观和易理解，“类选择性”在学界广泛应用。诚然，在训练过程中，这类可解释的神经元确实会“选择性地”出现在各种不同任务网络中。例如，预测产品评论
- 关键字：
DNN 深度神经网络 深度学习
- 来源：nature 编译：张大笔茹、小七 假设一辆自动驾驶汽车看到停车标志时并没有减速，而是加速驶入了繁忙的十字路口，从而导致了交通事故。事故报告显示，停车标志的表面粘了四个小的矩形标志。这说明一些微小扰动就能愚弄车载人工智能（AI），使其将“停止”一词误读为“限速45”。 目前，此类事件还未发生，但是人为扰动可能影响AI是非常现实的。研究人员已经展示了如何通过粘贴纸来欺骗AI系统误读停车标志，或者通过在眼镜或帽子上粘贴印刷图案来欺骗人脸识别系统，又或者通过在音频中插入白噪声使语音识别系统产生错
- 关键字：
DNN 深度神经网络 深度学习
- 导读深度神经网络(DNN)通过端到端的深度学习策略在许多具有挑战性的任务上达到了人类水平的性能。深度学习产生了具有多层抽象层次的数据表示;然而，它没有明确地提供任何关于DNNs内部运作的解释，换句话说它的内部运作是一个黑盒子。深度神经网络的成功吸引了神经科学家，他们不仅将DNN应用到生物神经系统模型中，而且还采用了认知神经科学的概念和方法来理解DNN的内部表示。尽管可以使用诸如PyTorch和TensorFlow之类的通用深度学习框架来进行此类跨学科研究，但是使用这些框架通常需要高级编程专家和全面的数学知
- 关键字：
DNN 深度神经网络 深度学习 脑机接口
深度学习介绍
您好，目前还没有人创建词条深度学习!
欢迎您创建该词条，阐述对深度学习的理解，并与今后在此搜索深度学习的朋友们分享。
创建词条
关于我们 -
广告服务 -
企业会员服务 -
网站地图 -
联系我们 -
征稿 -
友情链接 -
手机EEPW
Copyright ©2000-2015 ELECTRONIC ENGINEERING & PRODUCT WORLD. All rights reserved.
《电子产品世界》杂志社 版权所有 北京东晓国际技术信息咨询有限公司
京ICP备12027778号-2 北京市公安局备案：1101082052 京公网安备11010802012473
