上一页 1 ··· 3 4 5 6 7 8 9 10 11 ··· 79 下一页
摘要: 今天为大家介绍五篇值得阅读的ECCV 2020 oral【图像识别】相关论文。ECCV与CVPR、ICCV并称为计算机视觉领域三大顶会。ECCV 2020共有5025篇投稿,其中1361篇被接受,接受率为27%。 ECCV 2020接受论文列表地址: https://eccv2020.eu/acce 阅读全文
posted @ 2020-10-25 22:20 人工智能遇见磐创 阅读(856) 评论(0) 推荐(0) 编辑
摘要: 作者|Rashida Nasrin Sucky 编译|VK 来源|Medium 神经网络已经被开发用来模拟人脑。虽然我们还没有做到这一点,但神经网络在机器学习方面是非常有效的。它在上世纪80年代和90年代很流行,最近越来越流行。计算机的速度足以在合理的时间内运行一个大型神经网络。在本文中,我将讨论如 阅读全文
posted @ 2020-10-24 20:09 人工智能遇见磐创 阅读(1340) 评论(0) 推荐(0) 编辑
摘要: 作者|GUEST 编译|VK 来源|Analytics Vidhya 介绍 目标检测是计算机视觉中一个非常重要的领域,对于自动驾驶、视频监控、医疗应用和许多其他领域都是必要的。 我们正在与一场规模空前的传染病作斗争。全世界的研究人员都在试图开发一种疫苗或治疗COVID-19的方法,而医生们却在努力阻 阅读全文
posted @ 2020-10-24 20:07 人工智能遇见磐创 阅读(464) 评论(0) 推荐(0) 编辑
摘要: 作者|GUEST 编译|VK 来源|Analytics Vidhya 介绍 SimCLR论文(http://cse.iitkgp.ac.in/~arastogi/papers/simclr.pdf)解释了这个框架如何从更大的模型和更大的批处理中获益,并且如果有足够的计算能力,可以产生与监督模型类似的 阅读全文
posted @ 2020-10-24 19:56 人工智能遇见磐创 阅读(832) 评论(0) 推荐(0) 编辑
摘要: 作者|Ivan Ralašić 编译|VK 来源|Analytics Vidhya Tensorflow目标检测API(TF OD API)刚刚变得更好。最近,Google发布了tf od api的新版本,它现在支持Tensorflow 2.x,这是一个我们一直在等待的巨大改进! 简介 最近目标检测 阅读全文
posted @ 2020-10-24 19:49 人工智能遇见磐创 阅读(815) 评论(0) 推荐(0) 编辑
摘要: 作者|Vardan Agarwal 编译|VK 来源|Towards Datas Science TensorFlow是一个端到端的开源机器学习平台,能够执行一系列任务。它为初学者和研究人员提供了一个易用性,可以用于不同的应用,如,但不限于,计算机视觉,自然语言处理和强化学习。 在计算机视觉领域,我 阅读全文
posted @ 2020-10-24 00:44 人工智能遇见磐创 阅读(128) 评论(0) 推荐(0) 编辑
摘要: 作者|Andrea Ialenti 编译|VK 来源|Towards Datas Science 正如在我几乎所有关于这个工具的文章中都写到,Spark和SQL一样非常容易使用。但不管我花多少时间写代码,我只是无法在我的大脑中永久性地存储Spark API(有人会说我的记忆就像RAM一样,小而易失) 阅读全文
posted @ 2020-10-24 00:29 人工智能遇见磐创 阅读(879) 评论(0) 推荐(0) 编辑
摘要: 作者|Soner Yıldırım 编译|VK 来源|Towards Datas Science 时间序列数据有很多种定义,它们以不同的方式表示相同的含义。一个简单的定义是,时间序列数据是包含序列时间戳的数据点。 时间序列数据的来源是周期性测量或观测。我们观察了许多行业的时间序列数据。举几个例子: 阅读全文
posted @ 2020-10-24 00:26 人工智能遇见磐创 阅读(735) 评论(0) 推荐(0) 编辑
摘要: 作者|Rebecca Vickery 编译|VK 来源|Towards Datas Science scikit-learn是2007年作为Googles Summer代码项目开发的,现在被广泛认为是最流行的机器学习Python库。 为什么这个库被认为是机器学习项目的最佳选择之一,特别是在生产系统中 阅读全文
posted @ 2020-10-24 00:22 人工智能遇见磐创 阅读(1049) 评论(0) 推荐(0) 编辑
摘要: 作者|Renan Ferreira 编译|VK 来源|Towards Datas Science 典型的数据科学工作流由以下步骤组成: 确定业务需求->数据获取->数据准备->数据分析->共享数据见解 每一个步骤都需要一套专业知识,这些专业知识可分为: 数据工程师:开发、构建、测试和维护数据管道 数 阅读全文
posted @ 2020-10-22 23:46 人工智能遇见磐创 阅读(613) 评论(0) 推荐(1) 编辑
上一页 1 ··· 3 4 5 6 7 8 9 10 11 ··· 79 下一页