AI应用方向共48篇
AI应用方向模块聚焦于人工智能在不同领域的经典应用算法，包括图像、自然语言处理（NLP）和图结构分析等。通过深入讲解每个方向的核心技术，帮助学习者掌握如何将AI算法应用于实际问题。无论是图像识别、文本分析还是图数据的建模与推理，这里都提供了全面的知识和技能，助你在多种应用场景中获得实际操作能力。
排序
Cycle-Consistent Adversarial Networks（CycleGAN）
引言 CycleGAN是一个革命性的技术，它在图像处理和计算机视觉领域开辟了新的可能性，尤其是在图像到图像的转换任务中。这项技术能够在没有成对示例的情况下，将一种风格的图像转换成另一种风格...
5个月前
DenseNet：特征复用真香
0.引言 作为CVPR2017年的最佳论文，DenseNet模型脱离了通过加深网络层数（如VGGNet、ResNet）和加宽网络结构（如GoogLeNet）来提升网络性能的定式思维。转而从特征的角度考虑，通过特征重用和旁...
7个月前
变分自编码器（VAE）算法详解
VAE模型简明指导 VAE最想解决的问题是如何构造编码器和解码器，使得图片能够编码成易于表示的形态，并且这一形态能够尽可能无损地解码回原真实图像。 这似乎听起来与PCA（主成分分析）有些相似...
5个月前
基于注意力机制的循环神经网络（Attention-Based RNN）
算法原理 Attention-Based RNN 是一种基于注意力机制的 RNN 变体模型，它通过引入注意力机制来对序列中的不同部分进行加权，从而能够更好地捕捉序列数据中的重要信息。Attention-Based RNN...
6个月前
Vitis-AI量化编译MNIST手写数字识别
项目背景 在当前的数字化时代，快速准确的手写数字识别技术在各个领域都发挥着越来越重要的作用，尤其是在银行、邮政服务和数字化存档等行业。这些应用常常要在资源受限的环境中运行，例如嵌入...
7个月前
ResNet：神来之“路”
0.引言 深度残差网络（Deep Residual Network, ResNet）的提出是基于卷积算法处理图像问题领域的一件里程碑事件。ResNet在2015年发表当年取得了图像分类、检测等5项大赛第一，并再次刷新了CNN模...
7个月前
编码器-解码器模型（Encoder-Decoder）
编码器-解码器模型简介 Encoder-Decoder算法是一种深度学习模型结构，广泛应用于自然语言处理（NLP）、图像处理、语音识别等领域。它主要由两部分组成：编码器（Encoder）和解码器（Decoder）。...
6个月前
RepVGG：新型卷积神经网络架构
1、设计动机 设计RepVGG的初衷是为了解决许多流行的深度学习模型在追求更高性能的过程中不断增加结构复杂性的问题。例如，为了提高性能，许多模型采用了如残差连接、瓶颈设计、组卷积等复杂设计...
7个月前
ConvMixer: 创新之路，卷积与多层感知机的相互借鉴
0.引言 近年来，卷积神经网络一直是计算机视觉任务中的主要架构。然而，最近出现了基于Transformer模型的架构，例如ViT、Swin Transformer等，在许多任务中表现出引人注目的性能。相比于传统的...
6个月前
神经网络算法详解
引言 神经网络，作为人工智能和机器学习领域的核心技术之一，具有极其重要的意义。它们通过模拟人类大脑的工作机制，使计算机能够学习和识别复杂的模式和数据。这种能力使得神经网络在诸多领域...
7个月前
