人工智能视频教程 ai vip技术 人工智能数学基础 爬虫 python机器学习 tensorflow深度学习 20+个企业AI实战项目

 找回密码
 立即注册

QQ登录

只需一步,快速开始

搜索
热搜: 活动 交友 discuz

最新图片

自动驾驶之方向盘转动角度预测

自动驾驶之方向盘转动角度预测

项目介绍自动驾驶里面最需要解决的问题: 给定车载摄像头捕捉的画面,判断如何转动方向, 预测方向盘的方向和角度。
这一个项目旨在向您介绍如何使用深度神经网络解决回归(Regression)的问题。
不同于分类识别(Classification/Recognition)等场景, 回归问题场景中,神经网络输出的值是一个连续的值。
可以用于所有基于图像的回归问题, 例如: 自动驾驶之油门的大小控制、无人驾驶的轮船、无人机的驾驶、预测图像中一个人的年龄、预测图像中的物体的尺寸、预测图像中物体离摄像头的距离等。

2 / 2
图像风格转换

图像风格转换

人工智能之实战项目
图像风格转换 V1算法用TensorFlow实现 手把手的教大家敲代码
V2算法 模型结构图 改进 也可以用于图像的超清化
V3算法 摆脱了Gram矩阵计算风格损失的尴尬

20 / 148
中文文本分类

中文文本分类

中文文本分类也可以应用于:舆情监测、互联网文本分类、垃圾邮件分类等问题
利用RNN(LSTM or GRU)或一维卷积CNN对10类的中文新闻数据进行分类学习
中文分词:jieba
项目模块:词表的封装 类别的封装 数据集的封装 模型的构建 训练执行
经过多层RNN计算之后取最后一个时刻的数据 进行2层全连接层映射到类别数上
分别使用了TensorFlow提供的rnn_cell、手动实现的单层LSTM cell、一维卷积技术对同一个问题进行训练

13 / 133
GAN实战手写数字图片生成

GAN实战手写数字图片生成

利用dcgan技术实现mnist数据集图片生成问题
在模型构建阶段,封装G生成器与D判别器,之后DCGAN类将两者融合一起训练
对于G:输入随机向量 经过反卷积操作生成fake图片,注意记录G的模型训练参数
对于D:输入图片 经过卷积操作后FC映射到0、1真假两类,同时记录D的模型训练参数
对于DCGAN:连接G与D构建整个计算图,定义loss,对于生成器:希望生成的图片 尽量愚弄判别器 使生成的图片被判别器判断为1真实的,对判别器的损失函数:希望判别能力越强越好,越准越好,将真的图片分成为1真实的 将假(生成)的图片分为0不真实的,定义train_op:生成器与判别器是交替去训练的,用控制依赖,同时训练的时候是训练各自的模型参数,互不干扰,相互博弈的过程

12 / 79
图像生成文本

图像生成文本

在深度学习出现之前基本不可解
1、应用领域多 如:图像搜索 视频解说等
2、CNN与RNN的综合应用

28 / 128
人脸检测(基于SSD)

人脸检测(基于SSD)

人脸检测业务场景综述
判断是否存在人脸,如果存在人脸则定位到人脸的位置
标准的目标检测问题(针对人脸目标)
1、姿态和表情的变化
2、不同人的外观差异
3、光照,遮挡的影响
4、不同视角
5、不同大小、位置

3 / 9
驾驶辅助系统ADAS实战

驾驶辅助系统ADAS实战

ADAS业务场景综述
先进驾驶辅助系统( Advanced Driver Assistance System)
简称ADAS,是利用安装于车上的各式各样的传感器,在第一时
间收集车内外的环境数据,进行静、动态物体的辨识、侦测与追
踪等技术上的处理,从而能够让驾驶者在最快的时间察觉可能发
生的危险,以引起注意和提高安全性的主动安全技术。

2 / 2
通用物体检测实战(基于YOLO)

通用物体检测实战(基于YOLO)

基于YOLO算法的通用物体检测项目实战总结(干货)

自然场景下通用物体检测业务场景综述

物体检测旨在构造智能算法和程序,来“观察”这个世界。
1、计算机本身是比较困难将这些信息抽象成为一种比较高层语意的表达,去对应现实生活中的名词概念。
2、我们通常所说的“观察”(see),实际上是已经包含了对视觉信息的加工,以及和真实世界的关系映射。

2 / 4
文本检测项目实战(基于EAST)

文本检测项目实战(基于EAST)

对自然场景下图片中的文字区域进行检测
TextBoxes TextBoxes++都是基于ssd改进的
文本检测算法:定位文字所在区域
传统的检测框架(SSD,YOLO, Faster-RCNN):效果不理想
针对文本检测问题专门设计的框架:

1 / 3
多任务网络训练实战

多任务网络训练实战

多任务网络:使用同一个网络同时训练多个任务
端到端网络 end-to-end

多任务网络的技术难点:
1、训练数据更加复杂
2、共享卷积层的调整
3、训练过程更加复杂,考虑任务之间的平衡

1 / 1

QQ|Archiver|手机版|小黑屋|人工智能工程师的摇篮 ( 湘ICP备18018285号-1 )

GMT+8, 2019-10-23 08:49 , Processed in 0.104209 second(s), 9 queries .

Powered by Discuz! X3.4

© 2001-2017 Comsenz Inc.

返回顶部 返回版块