摘要:
原文地址:http://www.rzrgm.cn/jacklu/p/9853599.html 本人前段時(shí)間在T廠做了目標(biāo)檢測(cè)的項(xiàng)目,對(duì)一些目標(biāo)檢測(cè)框架也有了一定理解。其中Yolov3速度非常快,效果也還可以,但在github上還沒(méi)有完整的基于pytorch的yolov3代碼,目前star最多
閱讀全文
posted @ 2018-10-25 23:24
AI產(chǎn)品觀察
閱讀(8590)
推薦(0)
摘要:
推薦一個(gè)AI創(chuàng)作平臺(tái)——Crealens.ai,集成了多個(gè)創(chuàng)新的AI功能,幫助用戶輕松使用AI生成視頻、圖像和進(jìn)行編輯操作。無(wú)論是個(gè)人創(chuàng)作者、設(shè)計(jì)師,還是企業(yè)團(tuán)隊(duì),都能在這里找到合適的創(chuàng)作工具。 核心賣點(diǎn): 100% 用戶所有權(quán):用戶生成的所有內(nèi)容完全屬于自己,且沒(méi)有任何使用限制。 隱私保護(hù):嚴(yán)格的
閱讀全文
posted @ 2025-09-02 14:30
AI產(chǎn)品觀察
閱讀(380)
推薦(0)
摘要:
推薦一個(gè)AI網(wǎng)站 WriteRightly 之前我推薦過(guò)它的語(yǔ)法檢查(Grammar Check)功能,感覺(jué)還不錯(cuò)。這次我試了下它放在C位的核心功能——AI Proofreading(AI學(xué)術(shù)校對(duì)) 訪問(wèn)網(wǎng)址:WriteRightly.com 當(dāng)時(shí)我還納悶,一個(gè)校對(duì)功能,憑什么放在網(wǎng)站最顯眼的位置?
閱讀全文
posted @ 2025-07-23 22:54
AI產(chǎn)品觀察
閱讀(57)
推薦(0)
摘要:
隨著GPT等技術(shù)的迅猛發(fā)展,不少人開(kāi)始擔(dān)心信息真實(shí)性和學(xué)術(shù)誠(chéng)信。今天,分享一款由MIT CSAIL孵化的AI內(nèi)容檢測(cè)工具,看看它如何幫你快狠準(zhǔn)地識(shí)別AI生成的文本 isgpt.org 市面上雖有不少AI檢測(cè)工具,但常常面臨以下問(wèn)題: 檢測(cè)不準(zhǔn)確:有的僅依賴簡(jiǎn)單算法,無(wú)法準(zhǔn)確區(qū)分AI與人類的寫作風(fēng)格;
閱讀全文
posted @ 2025-04-06 21:07
AI產(chǎn)品觀察
閱讀(187)
推薦(0)
摘要:
自己的一張日常照片,能在幾秒內(nèi)變身為一幅充滿童話感的吉卜力風(fēng)插畫?90%的人不知道,如今只需一句話,就能在 ChatGPT 里實(shí)現(xiàn)“AI 生圖”——這就是 GPT-4o 生圖功能的魅力。 一、GPT-4o 文生圖,瞬間爆火 3 月 26 日,OpenAI 更新了 GPT-4o 的文生圖功能。付費(fèi)用戶
閱讀全文
posted @ 2025-04-01 15:13
AI產(chǎn)品觀察
閱讀(1843)
推薦(1)
摘要:
原文鏈接: http://www.rzrgm.cn/jacklu/p/8379726.html 博士一年級(jí)選了這門課 SEEM 5680 Text Mining Models and Applications,記下來(lái)以便以后查閱。 1. 信息檢索的布爾模型 用0和1表示某個(gè)詞是否出現(xiàn)在文檔中。
閱讀全文
posted @ 2018-01-30 17:53
AI產(chǎn)品觀察
閱讀(860)
推薦(0)
摘要:
因?yàn)橹罢每戳薈MU在CVPR2017上的論文《Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields》,而且他們提供了訓(xùn)練好的模型。所以就直接用CMU訓(xùn)練的模型在AI challenge的數(shù)據(jù)集上做了測(cè)試。最后沒(méi)有使
閱讀全文
posted @ 2017-11-17 18:00
AI產(chǎn)品觀察
閱讀(15676)
推薦(0)
摘要:
原文地址:http://www.rzrgm.cn/jacklu/p/7753471.html 本文結(jié)合了王曉剛老師的ENGG 5202 Pattern Recognition課程內(nèi)容知識(shí),和搜集的資料和自己理解的總結(jié)。 1 概述 隱馬爾可夫模型(Hidden Markov Model,HMM)
閱讀全文
posted @ 2017-10-30 10:52
AI產(chǎn)品觀察
閱讀(5965)
推薦(1)
摘要:
對(duì)于一個(gè)分類問(wèn)題,首先要有數(shù)據(jù),然后需要找到一個(gè)模型f,定義loss function,最后找到表現(xiàn)最好的f的參數(shù)。 從概率上講,分類問(wèn)題其實(shí)就是根據(jù)訓(xùn)練數(shù)據(jù)估計(jì)新的數(shù)據(jù)屬于哪一類的概率。 在講概率生成模型前需要介紹高斯分布函數(shù)。 輸入是特征向量x,輸出是x的概率,高斯函數(shù)的形狀由均值和協(xié)方差矩陣決
閱讀全文
posted @ 2017-08-31 17:31
AI產(chǎn)品觀察
閱讀(4499)
推薦(0)
摘要:
課程note中講了一些工程經(jīng)驗(yàn),感覺(jué)很有用,記下來(lái)供自己以后查閱 相比于大的濾波器,小濾波器更受青睞。小濾波器參數(shù)更少、計(jì)算量更小、能夠表達(dá)更多的特征,做反向傳播時(shí)需要的內(nèi)存更少。 通常不會(huì)考慮創(chuàng)建一個(gè)新的網(wǎng)絡(luò)結(jié)構(gòu)。一般都會(huì)找一些在ImageNet上有較好表現(xiàn)的預(yù)訓(xùn)練網(wǎng)絡(luò),下載下來(lái)然后做finetu
閱讀全文
posted @ 2017-08-24 19:47
AI產(chǎn)品觀察
閱讀(393)
推薦(0)