-
2025-07-23 09:21:16
- [AI特训营第三期]全流程前沿超轻量PPLCNetV2苹果病害识别
- 我们将利用深度学习技术来训练一个神经网络模型，该模型将可以对苹果树上的各种病害进行鉴别和诊断。我们将使用大量的真实数据集来训练和优化模型，以达到最好的预测和诊断效果。具体来说，本项目分类准确率达到0.98461，性能优异，同时模型计算量，参数量较小，便于部署在边缘端。
-
987
-
2025-07-22 17:58:09
-
2025-07-22 17:42:00
- 心音智能检测
- 该项目基于PaddlePaddle框架构建智能心音检测模型，并部署于树莓派4B。通过电子听诊器采集心音，先经模型检测正常与否，异常则进一步分为四种病症。数据经降噪、下采样等预处理，用二阶谱分析法提取特征，构建融合卷积与MLP的模型。训练后，经Paddle-Lite转换部署到树莓派，结合显示屏实现实时检测。
-
307
-
2025-07-22 17:32:54
- 一文读懂图卷积神经网络（GCN）
- 本文围绕经典论文介绍GCN，解释其定义，即处理图结构数据的网络，输入为带特征的图，输出为节点特征。解析核心公式，通过添加自环、对称归一化邻接矩阵解决信息丢失和尺度问题，还提及在Cora数据集上的应用及数学证明参考。
-
1132
-
2025-07-22 17:30:11
-
2025-07-22 17:28:13
- Swin Transformer：层次化视觉 Transformer
- 本文介绍了Swin Transformer模型的代码复现情况。作者完成了BackBone代码迁移，ImageNet 1k预训练模型可用且精度对齐，模型代码和ImageNet 22k预训练模型将更新到PPIM项目。文中展示了模型组网代码，包括窗口划分、注意力机制等模块，还提供了预设模型及精度验证结果，Swin-T在验证集上top1准确率达81.19%。
-
608
-
2025-07-22 17:26:22
- 使用PaddleDetection2.0自定义数据集实现火焰识别预测
- 该项目利用PaddleDetection2.0中的YOLOv3（主干为mobilenetv3轻量化模型）实现火焰识别目标检测，mAP达81.94%，可部署于森林防火监控。流程包括自定义数据集解压、环境准备、按9:1划分数据集，基于特定配置文件训练，还进行了模型评估、预测及效果可视化。
-
514
-
2025-07-22 17:23:20
- 基于分割网络Unet生成虚拟图像
- 本文基于Unet分割网络，利用49例头部磁共振T1、T2数据，通过配准使二者解剖位置一致，转换数据格式并裁剪窗宽窗位，构建数据集。以T1为输入、T2为标签训练Unet进行回归，用SSIM评估，经200轮训练，最佳SSIM达0.571，实现由T1生成虚拟T2图像。
-
731
-
2025-07-22 17:20:02
- 【图像去噪】第七期论文复现赛——SwinIR
- 作者引入Swin-T结构应用于低级视觉任务，包括图像超分辨率重建、图像去噪、图像压缩伪影去除。SwinIR网络由一个浅层特征提取模块、深层特征提取模块、重建模块构成。重建模块对不同的任务使用不同的结构。浅层特征提取就是一个3×3的卷积层。深层特征提取是k个RSTB块和一个卷积层加残差连接构成。
-
607
-
2025-07-22 17:15:57
- “机器学习”系列之SVM（支持向量机）
- 支持向量机（SVM）是监督式学习模型，核心是将输入空间映射到高维特征空间再分类，本质为线性分类器。其通过最大化间隔（Margin）提升容错性，间隔由支持向量确定。借助拉格朗日乘数法转化对偶问题求解，引入核函数（Kernel Trick）解决线性不可分问题，还可通过Soft Margin处理噪点。可自定义实现或调用sklearn的SVC，需调节C、kernel等参数。
-
668
