原创 深刻解讀YOLO V1(圖解)

參考: http://blog.csdn.net/u011534057/article/details/51244354 https://zhuanlan.zhihu.com/p/24916786 論文下載:http://arxiv.or

原创 基於SIFT特徵的圖像配準

參考: [1] https://blog.csdn.net/YunlinWang/article/details/77882503

原创 一文看懂YOLO v3

論文地址:https://pjreddie.com/media/files/papers/YOLOv3.pdf 論文:YOLOv3: An Incremental Improvement YOLO系列的目標檢測算法可以說是目標檢測史上的宏

原创 node.js帶參跳轉

1. 使用ejs模板 js代碼 var express = require('express'); var app = express(); app.set('view engine', 'ejs');//此時我們就可以使用ejs模板了

原创 超像素分割資源

http://space.hit.edu.cn/article/2019/03/02/10651 https://www.zhihu.com/question/27623988?sort=created

原创 人工智能(李開復)

1. 人工智能來了 人工智能的應用領域:智能助理,新聞推薦與新聞撰稿,機器視覺,AI藝術,新一代搜索引擎,機器翻譯,自動駕駛,機器人 人工智能的定義 AI就是讓人覺得不可思議的計算機程序 大衆看待人工智能的視角,通俗易懂,但主觀性太強,不

原创 springBoot第一個項目

1. 環境 eclipse+maven(3.0以上)+spring tools 注: 1)maven網上下載安裝,配置文件最好修改一下,可配置速度快一點的阿里雲倉庫 參考:https://blog.csdn.net/qq_36160730

原创 區塊鏈與大數據

TCP/IP協議徹底打破了信息傳遞過程中物理空間、中心控制、時間跨度以及成本的限制,而區塊鏈技術解決了TCP/IP協議所不能解決的數據傳輸真實性的問題,以及在互聯網上進行價值存儲和傳輸的問題。 狹義地講,區塊鏈是以時間爲順序相連的鏈狀數據

原创 目標檢測-RCNN系列

參考: [1] https://blog.csdn.net/liuxiaoheng1992/article/details/81743161 [2] https://blog.csdn.net/liuxiaoheng1992/articl

原创 遷移學習--深度遷移學習

文章:How transferable are features in deep neural networks 代碼部分:http://yosinski.com/transfer 這篇文章裏的遷移我認爲是transductive TL層

原创 模糊PID算法

 在講解模糊PID前,我們先要了解PID控制器的原理(本文主要介紹模糊PID的運用,對PID控制器的原理不做詳細介紹)。PID控制器(比例-積分-微分控制器)是一個在工業控制應用中常見的反饋迴路部件,由比例單元P、積分單元I和微分單元D組

原创 特徵點檢測-SURF

參考: [1] https://blog.csdn.net/qq_30815237/article/details/86545950 [2] https://www.cnblogs.com/gfgwxw/p/9415218.html [3

原创 數字範圍按位與

題目描述 給定範圍 [m, n],其中 0 <= m <= n <= 2147483647,返回此範圍內所有數字的按位與(包含 m, n 兩端點)。 示例1 輸入: [5,7] 輸出: 4 示例2 輸入: [0,1] 輸出:

原创 目標檢測模型的性能評估--mAP

目標檢測模型中性能評估的幾個重要參數有精確度,精確度和召回率。本文中我們將討論一個常用的度量指標:均值平均精度,即MAP。  在二元分類中,精確度和召回率是一個簡單直觀的統計量,但是在目標檢測中有所不同的是及時我們的物體檢測器在圖像中檢測

原创 只出現一次的數字

題目描述 給定一個整數數組 nums,其中恰好有兩個元素只出現一次,其餘所有元素均出現兩次。 找出只出現一次的那兩個元素。 示例 輸入: [1,2,1,3,2,5]輸出: [3,5] 思路 先將所有的數異或,記錄二進制結果中第一次