色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

一種新方法GSConv來(lái)減輕模型的復(fù)雜度并保持準(zhǔn)確性

OpenCV學(xué)堂 ? 來(lái)源:OpenCV學(xué)堂 ? 作者:OpenCV學(xué)堂 ? 2022-06-21 10:29 ? 次閱讀

目標(biāo)檢測(cè)計(jì)算機(jī)視覺(jué)中一項(xiàng)艱巨的下游任務(wù)。對(duì)于車載邊緣計(jì)算平臺(tái),大模型很難達(dá)到實(shí)時(shí)檢測(cè)的要求。而且,由大量深度可分離卷積層構(gòu)建的輕量級(jí)模型無(wú)法達(dá)到足夠的準(zhǔn)確性。因此本文引入了一種新方法 GSConv 來(lái)減輕模型的復(fù)雜度并保持準(zhǔn)確性。GSConv 可以更好地平衡模型的準(zhǔn)確性和速度。并且,提供了一種設(shè)計(jì)范式,Slim-Neck,以實(shí)現(xiàn)檢測(cè)器更高的計(jì)算成本效益。在實(shí)驗(yàn)中,與原始網(wǎng)絡(luò)相比,本文方法獲得了最先進(jìn)的結(jié)果(例如,SODA10M 在 Tesla T4 上以 ~100FPS 的速度獲得了 70.9% mAP0.5)。

1簡(jiǎn)介

目標(biāo)檢測(cè)是無(wú)人駕駛汽車所需的基本感知能力。目前,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法在該領(lǐng)域占據(jù)主導(dǎo)地位。這些算法在檢測(cè)階段有兩種類型:?jiǎn)坞A階段和兩階段。兩階段檢測(cè)器在檢測(cè)小物體方面表現(xiàn)更好,通過(guò)稀疏檢測(cè)的原理可以獲得更高的平均精度(mAP),但這些檢測(cè)器都是以速度為代價(jià)的。單階段檢測(cè)器在小物體的檢測(cè)和定位方面不如兩階段檢測(cè)器有效,但在工作上比后者更快,這對(duì)工業(yè)來(lái)說(shuō)非常重要。

類腦研究的直觀理解是,神經(jīng)元越多的模型獲得的非線性表達(dá)能力越強(qiáng)。但不可忽視的是,生物大腦處理信息的強(qiáng)大能力和低能耗遠(yuǎn)遠(yuǎn)超出了計(jì)算機(jī)。無(wú)法通過(guò)簡(jiǎn)單地?zé)o休止地增加模型參數(shù)的數(shù)量來(lái)構(gòu)建強(qiáng)大的模型。輕量級(jí)設(shè)計(jì)可以有效緩解現(xiàn)階段的高計(jì)算成本。這個(gè)目的主要是通過(guò)使用 Depth-wise Separable Convolution (DSC)操作來(lái)減少參數(shù)和FLOPs的數(shù)量來(lái)實(shí)現(xiàn)的,效果很明顯。

但是,DSC 的缺點(diǎn)也很明顯:輸入圖像的通道信息在計(jì)算過(guò)程中是分離的。

80e91d56-f0ac-11ec-ba43-dac502259ad0.png

圖 1

對(duì)于自動(dòng)駕駛汽車,速度與準(zhǔn)確性同樣重要。通過(guò) GSConv 引入了 Slim-Neck 方法,以減輕模型的復(fù)雜度同時(shí)可以保持精度。GSConv 更好地平衡了模型的準(zhǔn)確性和速度。在圖 1 中,在 SODA10M 的無(wú)人駕駛數(shù)據(jù)集上比較了最先進(jìn)的 Slim-Neck 檢測(cè)器和原始檢測(cè)器的速度和準(zhǔn)確度。結(jié)果證實(shí)了該方法的有效性。

80f4f9f0-f0ac-11ec-ba43-dac502259ad0.png

圖2

圖2(a)和(b)顯示了 DSC 和標(biāo)準(zhǔn)卷積(SC)的計(jì)算過(guò)程。這種缺陷導(dǎo)致 DSC 的特征提取和融合能力比 SC 低得多。優(yōu)秀的輕量級(jí)作品,如 Xception、MobileNets 和 ShuffleNets,通過(guò) DSC 操作大大提高了檢測(cè)器的速度。但是當(dāng)這些模型應(yīng)用于自動(dòng)駕駛汽車時(shí),這些模型的較低準(zhǔn)確性令人擔(dān)憂。事實(shí)上,這些工作提出了一些方法來(lái)緩解 DSC 的這個(gè)固有缺陷(這也是一個(gè)特性):MobileNets 使用大量的 1×1 密集卷積來(lái)融合獨(dú)立計(jì)算的通道信息;ShuffleNets 使用channel shuffle來(lái)實(shí)現(xiàn)通道信息的交互,而 GhostNet 使用 halved SC 操作來(lái)保留通道之間的交互信息。但是,1×1的密集卷積反而占用了更多的計(jì)算資源,使用channel shuffle效果仍然沒(méi)有觸及 SC 的結(jié)果,而 GhostNet 或多或少又回到了 SC 的路上,影響可能會(huì)來(lái)從很多方面。

許多輕量級(jí)模型使用類似的思維來(lái)設(shè)計(jì)基本架構(gòu):從深度神經(jīng)網(wǎng)絡(luò)的開(kāi)始到結(jié)束只使用 DSC。但 DSC 的缺陷直接在主干中放大,無(wú)論是用于圖像分類還是檢測(cè)。作者相信 SC 和 DSC 可以結(jié)合在一起使用。僅通過(guò)channel shuffle DSC 的輸出通道生成的特征圖仍然是“深度分離的”。

810a8d6a-f0ac-11ec-ba43-dac502259ad0.png

圖 3

為了使 DSC 的輸出盡可能接近 SC,引入了一種新方法——GSConv。如圖 3 所示,使用 shuffle 將 SC 生成的信息(密集卷積操作)滲透到 DSC 生成的信息的每個(gè)部分。這種方法允許來(lái)自 SC 的信息完全混合到 DSC 的輸出中,沒(méi)有花里胡哨的東西。

81249eee-f0ac-11ec-ba43-dac502259ad0.png

圖 4

圖 4 顯示了 SC、DSC 和 GSConv 的可視化結(jié)果。GSConv 的特征圖與 SC 的相似性明顯高于 DSC 與 SC 的相似。當(dāng)在 Backbone 使用 SC,在Neck使用 GSConv(slim-neck)時(shí),模型的準(zhǔn)確率非常接近原始;如果添加一些技巧,模型的準(zhǔn)確性和速度就會(huì)超過(guò)原始模型。采用 GSConv 方法的Slim-Neck可最大限度地減少 DSC 缺陷對(duì)模型的負(fù)面影響,并有效利用 DSC 的優(yōu)勢(shì)。

主要貢獻(xiàn)可以總結(jié)如下:

引入了一種新方法 GSConv 來(lái)代替 SC 操作。該方法使卷積計(jì)算的輸出盡可能接近 SC,同時(shí)降低計(jì)算成本;

為自動(dòng)駕駛汽車的檢測(cè)器架構(gòu)提供了一種新的設(shè)計(jì)范式,即帶有標(biāo)準(zhǔn) Backbone 的 Slim-Neck 設(shè)計(jì);

驗(yàn)證了不同 Trick 的有效性,可以作為該領(lǐng)域研究的參考。

2本文方法

2.1 為什么要在Neck中使用GSConv

為了加速預(yù)測(cè)的計(jì)算,CNN 中的饋送圖像幾乎必須在 Backbone 中經(jīng)歷類似的轉(zhuǎn)換過(guò)程:空間信息逐步向通道傳輸。并且每次特征圖的空間(寬度和高度)壓縮和通道擴(kuò)展都會(huì)導(dǎo)致語(yǔ)義信息的部分丟失。密集卷積計(jì)算最大限度地保留了每個(gè)通道之間的隱藏連接,而稀疏卷積則完全切斷了這些連接。

GSConv 盡可能地保留這些連接。但是如果在模型的所有階段都使用它,模型的網(wǎng)絡(luò)層會(huì)更深,深層會(huì)加劇對(duì)數(shù)據(jù)流的阻力,顯著增加推理時(shí)間。當(dāng)這些特征圖走到 Neck 時(shí),它們已經(jīng)變得細(xì)長(zhǎng)(通道維度達(dá)到最大,寬高維度達(dá)到最?。?,不再需要進(jìn)行變換。因此,更好的選擇是僅在 Neck 使用 GSConv(Slim-Neck + 標(biāo)準(zhǔn)Backbone)。在這個(gè)階段,使用 GSConv 處理 concatenated feature maps 剛剛好:冗余重復(fù)信息少,不需要壓縮,注意力模塊效果更好,例如 SPP 和 CA。

2.2 Slim-Neck

作者研究了增強(qiáng) CNN 學(xué)習(xí)能力的通用方法,例如 DensNet、VoVNet 和 CSPNet,然后根據(jù)這些方法的理論設(shè)計(jì)了 Slim-Neck 結(jié)構(gòu)。

1、Slim-Neck中的模塊

首先,使用輕量級(jí)卷積方法 GSConv 來(lái)代替 SC。其計(jì)算成本約為 SC 的60%~70%,但其對(duì)模型學(xué)習(xí)能力的貢獻(xiàn)與后者不相上下。然后,在 GSConv 的基礎(chǔ)上繼續(xù)引入 GSbottleneck,圖5(a)展示了 GSbottleneck 模塊的結(jié)構(gòu)。

814ccacc-f0ac-11ec-ba43-dac502259ad0.png

圖5

同樣,使用一次性聚合方法來(lái)設(shè)計(jì)跨級(jí)部分網(wǎng)絡(luò) (GSCSP) 模塊 VoV-GSCSP。VoV-GSCSP 模塊降低了計(jì)算和網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性,但保持了足夠的精度。圖 5 (b) 顯示了 VoV-GSCSP 的結(jié)構(gòu)。值得注意的是,如果我們使用 VoV-GSCSP 代替 Neck 的 CSP,其中 CSP 層由標(biāo)準(zhǔn)卷積組成,F(xiàn)LOPs 將平均比后者減少 15.72%。

最后,需要靈活地使用3個(gè)模塊,GSConv、GSbottleneck 和 VoV-GSCSP。

2、Slim-Neck針對(duì)YOLO系列的設(shè)計(jì)

YOLO 系列檢測(cè)器由于檢測(cè)效率高,在行業(yè)中應(yīng)用更為廣泛。這里使用 slim-neck 的模塊來(lái)改造 Scaled-YOLOv4 和 YOLOv5 的 Neck 層。圖 6 和圖 7 顯示了2種 slim-neck 架構(gòu)。

8159e112-f0ac-11ec-ba43-dac502259ad0.png

圖 6

81823d2e-f0ac-11ec-ba43-dac502259ad0.png

圖 7

3、免費(fèi)的改進(jìn)Tricks

可以在基于 CNNs 的檢測(cè)器中使用一些局部特征增強(qiáng)方法,結(jié)構(gòu)簡(jiǎn)單,計(jì)算成本低。這些增強(qiáng)方法,注意力機(jī)制,可以顯著提高模型精度,而且比Neck 簡(jiǎn)單得多。這些方法包括作用于通道信息或空間信息。SPP 專注于空間信息,它由4個(gè)并行分支連接:3個(gè)最大池操作(kernel-size為 5×5、9×9 和 13×13)和輸入的 shortcut 方式。它用于通過(guò)合并輸入的局部和全局特征來(lái)解決對(duì)象尺度變化過(guò)大的問(wèn)題。YOLOv5 作者的 SPP 改進(jìn)模塊 SPPF 提高了計(jì)算效率。該效率 增加了近 277.8%。通式為:

819a31ea-f0ac-11ec-ba43-dac502259ad0.png

其中,是 SPPF 模塊中第i個(gè)分支的最大池化的kernel-size。

81b0e502-f0ac-11ec-ba43-dac502259ad0.png

圖 8

圖 8 (a) 和 (b) 顯示了 SPP 和 SPPF 的結(jié)構(gòu)。SE是一個(gè)通道注意力模塊,包括兩個(gè)操作過(guò)程:squeeze和excitation。該模塊允許網(wǎng)絡(luò)更多地關(guān)注信息量更大的特征通道,而否定信息量較少的特征通道。CBAM 是一個(gè)空間通道注意力機(jī)制模塊。CA 模塊是一種新的解決方案,可以避免全局池化操作導(dǎo)致的位置信息丟失:將注意力分別放在寬度和高度兩個(gè)維度上,以有效利用輸入特征圖的空間坐標(biāo)信息。圖9(a)、(b)和(c) 顯示了 SE、CBAM 和 CA 模塊的結(jié)構(gòu)。

81d8cc0c-f0ac-11ec-ba43-dac502259ad0.png

圖 9

4、損失和激活函數(shù)

IoU 損失對(duì)于基于深度學(xué)習(xí)的檢測(cè)器具有很大的價(jià)值。它使預(yù)測(cè)邊界框回歸的位置更加準(zhǔn)確。隨著研究的不斷發(fā)展,許多研究人員已經(jīng)提出了更高級(jí)的 IoU 損失函數(shù),例如 GIoU、DIoU、CIoU 和最新的 EIoU。5個(gè)損失函數(shù)定義如下:

81f6a862-f0ac-11ec-ba43-dac502259ad0.png

其中參數(shù)“A”和“B”表示Ground truth邊界框的面積和預(yù)測(cè)邊界框的面積;參數(shù)“C”表示Ground truth邊界框和預(yù)測(cè)邊界框的最小包圍框的面積;參數(shù)“d”表示封閉框的對(duì)角線頂點(diǎn)的歐式距離;參數(shù)“ρ”表示Ground truth邊界框和預(yù)測(cè)邊界框質(zhì)心的歐式距離;參數(shù)“α”是權(quán)衡的指標(biāo),參數(shù)“v”是評(píng)價(jià)Ground truth邊界框和預(yù)測(cè)邊界框長(zhǎng)寬比一致性的指標(biāo)。

CIoU loss是目前Anchor-based檢測(cè)器中使用最廣泛的損失函數(shù),但CIoU loss仍然存在缺陷:

8218d144-f0ac-11ec-ba43-dac502259ad0.png

其中“δv /δw”是“v”相對(duì)于“w”的梯度,“δv/δh”是“v”相對(duì)于“h”的梯度。

8227e27e-f0ac-11ec-ba43-dac502259ad0.png

圖 10

根據(jù) CIoU 損失的定義,如果,CIoU 損失將退化為DIoU損失,即CIoU損失中添加的懲罰項(xiàng)的相對(duì)比例(αv)將不起作用。此外,w和h的梯度符號(hào)相反。

因此,這兩個(gè)變量(w或h)只能在同一方向上更新,同時(shí)增加或減少。這不符合實(shí)際應(yīng)用場(chǎng)景,尤其是當(dāng) 且 $hw^{gt}h>h^{gt}$ 時(shí)。EIoU loss沒(méi)有遇到這樣的問(wèn)題,它直接使用預(yù)測(cè)邊界框的w和h獨(dú)立作為懲罰項(xiàng),而不是w和h的比值。圖10是這些損失函數(shù)的不同評(píng)估指標(biāo)的3個(gè)示例。

在深度網(wǎng)絡(luò)上,使用 Swish 和 Mish 的模型的準(zhǔn)確性和訓(xùn)練穩(wěn)定性通常比 ReLU 差。Swish 和 Mish 都具有無(wú)上界和下界、平滑和非單調(diào)的特性。它們定義如下:

823c5254-f0ac-11ec-ba43-dac502259ad0.png

在更深的網(wǎng)絡(luò)上,Mish 的模型準(zhǔn)確度略好于 Swish,盡管實(shí)際上2條激活函數(shù)曲線非常接近。與 Swish 相比,Mish 由于計(jì)算成本的增加而消耗更多的訓(xùn)練時(shí)間。

3實(shí)驗(yàn)

3.1 Trick消融實(shí)驗(yàn)

824f61dc-f0ac-11ec-ba43-dac502259ad0.png

82600fd2-f0ac-11ec-ba43-dac502259ad0.png

3.2 損失函數(shù)對(duì)比

8269c0ae-f0ac-11ec-ba43-dac502259ad0.png

82789f8e-f0ac-11ec-ba43-dac502259ad0.png

3.3 Yolo改進(jìn)

828f2b8c-f0ac-11ec-ba43-dac502259ad0.png

82b655e0-f0ac-11ec-ba43-dac502259ad0.png

82cd7c2a-f0ac-11ec-ba43-dac502259ad0.png

3.4 可視化結(jié)果對(duì)比

82dbc000-f0ac-11ec-ba43-dac502259ad0.png

4參考

[1].Slim-neck by GSConv: A better design paradigm of detector architectures for autonomous vehicles

審核編輯 :李倩

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴

原文標(biāo)題:改進(jìn)Yolov5 | 用 GSConv+Slim Neck 一步步把 Yolov5 提升到極致?。。?/p>

文章出處:【微信號(hào):CVSCHOOL,微信公眾號(hào):OpenCV學(xué)堂】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏

    評(píng)論

    相關(guān)推薦

    基于遺傳算法的QD-SOA設(shè)計(jì)新方法

    了QD-SOA的設(shè)計(jì),提出了一種基于遺傳算法的QD-SOA設(shè)計(jì)新方法。由于具有用于設(shè)計(jì)的模型是必不可少的,因此在第步中獲得數(shù)值模型。然后,
    的頭像 發(fā)表于 12-17 09:58 ?83次閱讀
    基于遺傳算法的QD-SOA設(shè)計(jì)<b class='flag-5'>新方法</b>

    一種降低VIO/VSLAM系統(tǒng)漂移的新方法

    本文提出了一種新方法,通過(guò)使用點(diǎn)到平面匹配將VIO/VSLAM系統(tǒng)生成的稀疏3D點(diǎn)云與數(shù)字孿生體進(jìn)行對(duì)齊,從而實(shí)現(xiàn)精確且全球致的定位,無(wú)需視覺(jué)數(shù)據(jù)關(guān)聯(lián)。所提方法為VIO/VSLAM系
    的頭像 發(fā)表于 12-13 11:18 ?133次閱讀
    <b class='flag-5'>一種</b>降低VIO/VSLAM系統(tǒng)漂移的<b class='flag-5'>新方法</b>

    如何提升ASR模型準(zhǔn)確性

    提升ASR(Automatic Speech Recognition,自動(dòng)語(yǔ)音識(shí)別)模型準(zhǔn)確性是語(yǔ)音識(shí)別技術(shù)領(lǐng)域的核心挑戰(zhàn)之。以下是些提升ASR
    的頭像 發(fā)表于 11-18 15:14 ?765次閱讀

    一種可以提升動(dòng)態(tài)血糖監(jiān)測(cè)均勻和精確的導(dǎo)電油墨

    在糖尿病管理領(lǐng)域,精確監(jiān)測(cè)血糖水平是至關(guān)重要的。傳統(tǒng)上,糖尿病患者依賴于定期的指尖血樣測(cè)試來(lái)監(jiān)控血糖水平,但這種方法既不方便也不夠?qū)崟r(shí)。動(dòng)態(tài)血糖監(jiān)測(cè)系統(tǒng)(CGM)的出現(xiàn),提供了一種連續(xù)、實(shí)時(shí)監(jiān)測(cè)血糖
    發(fā)表于 11-08 10:26

    一種創(chuàng)新的動(dòng)態(tài)軌跡預(yù)測(cè)方法

    本文提出了一種動(dòng)態(tài)軌跡預(yù)測(cè)方法,通過(guò)結(jié)合歷史幀和歷史預(yù)測(cè)結(jié)果來(lái)提高預(yù)測(cè)的穩(wěn)定性和準(zhǔn)確性。它引入了歷史預(yù)測(cè)注意力模塊,以編碼連續(xù)預(yù)測(cè)之間的動(dòng)態(tài)關(guān)系,
    的頭像 發(fā)表于 10-28 14:34 ?404次閱讀
    <b class='flag-5'>一種</b>創(chuàng)新的動(dòng)態(tài)軌跡預(yù)測(cè)<b class='flag-5'>方法</b>

    如何評(píng)估 ChatGPT 輸出內(nèi)容的準(zhǔn)確性

    評(píng)估 ChatGPT 輸出內(nèi)容的準(zhǔn)確性個(gè)復(fù)雜的過(guò)程,因?yàn)樗婕暗蕉鄠€(gè)因素,包括但不限于數(shù)據(jù)的質(zhì)量和多樣模型的訓(xùn)練、上下文的理解、以及
    的頭像 發(fā)表于 10-25 17:48 ?577次閱讀

    如何保證測(cè)長(zhǎng)機(jī)測(cè)量的準(zhǔn)確性?

    可以通過(guò)以下方法保證測(cè)長(zhǎng)機(jī)測(cè)量的準(zhǔn)確性、設(shè)備方面1.定期校準(zhǔn)按照規(guī)定的時(shí)間間隔,將測(cè)長(zhǎng)機(jī)送往專業(yè)的計(jì)量機(jī)構(gòu)或使用標(biāo)準(zhǔn)器進(jìn)行校準(zhǔn)。校準(zhǔn)可以確定測(cè)長(zhǎng)機(jī)的測(cè)量誤差,對(duì)其進(jìn)行調(diào)整,確保測(cè)
    的頭像 發(fā)表于 10-25 16:16 ?323次閱讀
    如何保證測(cè)長(zhǎng)機(jī)測(cè)量的<b class='flag-5'>準(zhǔn)確性</b>?

    業(yè)務(wù)復(fù)雜度治理方法論--十年系統(tǒng)設(shè)計(jì)經(jīng)驗(yàn)總結(jié)

    復(fù)雜度綜述 1、什么是復(fù)雜度 軟件設(shè)計(jì)的核心在于降低復(fù)雜性。 --《軟件設(shè)計(jì)的哲學(xué)》 業(yè)界對(duì)于復(fù)雜度并沒(méi)有統(tǒng)
    的頭像 發(fā)表于 09-05 14:11 ?988次閱讀
    業(yè)務(wù)<b class='flag-5'>復(fù)雜度</b>治理<b class='flag-5'>方法</b>論--十年系統(tǒng)設(shè)計(jì)經(jīng)驗(yàn)總結(jié)

    影響電源紋波測(cè)試準(zhǔn)確性的因素

    電源紋波測(cè)試是評(píng)估電源質(zhì)量的重要手段之,它能夠反映出電源在輸出電壓中的波動(dòng)情況。然而,測(cè)試過(guò)程中的多種因素都可能對(duì)測(cè)試結(jié)果的準(zhǔn)確性產(chǎn)生影響。本文將從多個(gè)方面分析影響電源紋波測(cè)試準(zhǔn)確性的因素,并提
    的頭像 發(fā)表于 08-02 09:42 ?600次閱讀

    一種無(wú)透鏡成像的新方法

    使用OAM-HHG EUV光束對(duì)高度周期結(jié)構(gòu)進(jìn)行成像的EUV聚光顯微鏡 為了研究微電子或光子元件中的納米級(jí)圖案,一種基于無(wú)透鏡成像的新方法可以實(shí)現(xiàn)近乎完美的高分辨率顯微鏡。 層析成像是一種
    的頭像 發(fā)表于 07-19 06:20 ?376次閱讀
    <b class='flag-5'>一種</b>無(wú)透鏡成像的<b class='flag-5'>新方法</b>

    PCB與PCBA工藝復(fù)雜度的量化評(píng)估與應(yīng)用初探!

    的問(wèn)題。另個(gè)方面,在工程能 力方面,做了些針對(duì)的工作,來(lái) 達(dá)到高質(zhì)量和低成本的這樣個(gè)目標(biāo)。 高復(fù)
    發(fā)表于 06-14 11:15

    一種利用光電容積描記(PPG)信號(hào)和深度學(xué)習(xí)模型對(duì)高血壓分類的新方法

    了深度神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)任務(wù)中的有效,并為開(kāi)發(fā)更強(qiáng)大、更復(fù)雜的神經(jīng)網(wǎng)絡(luò)架構(gòu)鋪平了道路。 ResNet-50是一種深度神經(jīng)網(wǎng)絡(luò)架構(gòu),由研究人員Kaiming He、XiangyuZhang
    發(fā)表于 05-11 20:01

    【大語(yǔ)言模型:原理與工程實(shí)踐】大語(yǔ)言模型的評(píng)測(cè)

    推理和演繹推理。在常識(shí)推理中,我們?cè)u(píng)估模型在解決基于常識(shí)的問(wèn)題時(shí)的邏輯連貫準(zhǔn)確性,例如通過(guò)生日前天推斷出生日。在數(shù)學(xué)推理中,我們檢驗(yàn)模型
    發(fā)表于 05-07 17:12

    軋機(jī)牌坊滑板壓虧修復(fù)的新方法

    電子發(fā)燒友網(wǎng)站提供《軋機(jī)牌坊滑板壓虧修復(fù)的新方法.docx》資料免費(fèi)下載
    發(fā)表于 03-14 16:16 ?0次下載

    氫壓機(jī)軸承位磨損維修的新方法

    電子發(fā)燒友網(wǎng)站提供《氫壓機(jī)軸承位磨損維修的新方法.docx》資料免費(fèi)下載
    發(fā)表于 03-01 16:23 ?0次下載
    主站蜘蛛池模板: 国产精品成人免费视频99| 亚洲国产日韩欧美高清片a| 国产AV一区二区三区日韩| 色狠狠色狠狠综合天天| 古装性艳史电影在线看| 忘忧草下载| 国产午夜在线观看视频播放| 亚洲黄色网页| 精品一二三区久久AAA片| 在镜头里被CAO翻了H| 榴莲推广APP网站入口官网| 99国产强伦姧在线看RAPE| 欧美色图天堂网| 法国剧丝袜情版h级在线电影| 桃色园社区| 果冻传媒在线观看视频| 永久免费看mv网站入口| 免费精品一区二区三区AA片| fyeex性欧美人与曾| 色小妹影院| 国内自拍 在线 亚洲 欧美| 印度12 13free| 暖暖 免费 高清 日本 在线| 戳女人屁股流水羞羞漫画| 午夜伦伦电影理论片费看| 精品国产九九| 91久久99久91天天拍拍| 日本伦子欲| 国产欧美日韩精品a在线观看高清| 亚洲午夜精品久久久久久抢| 老司机亚洲精品影院在线观看| GAY2022空少被体育生暴菊| 色欲午夜无码久久久久久| 好大快用力深一点h视频| 中文字幕在线观看国产| 欧美精品成人久久网站| 国产高清在线a视频大全| 亚洲三级在线中文字幕| 男助理憋尿PLAY灌尿BL出去| 高H各种PLAY全肉NP| 亚洲专区区免费|