细粒度目标识别

android中的享元模式,Android 享元模式

二、定义运用共享技术有效的支持大量细粒度的对象。三、例子现在我们大概了解了什么是享元模式，概念再多不如一个简单例子来的痛快。下面我讲解一个查询巴士车票的例子来讲解什么是享元模式。
Zhen Chen·2022-11-13 09:05

设计模式 -- 享元模式（Flyweight Pattern）

使用共享对象可以有效的支持大量的细粒度对象。应用场景主要目的是实现对象的共享，即共享池，当系统中对象多的时候可以减少内存的开销，通常与工厂模式一起使用。
MagicianHong·2022-11-13 09:33

Android设计模式-21-享元模式

1.定义运用共享技术有效的支持大量细粒度的对象2.使用场景系统中存在大量的相似对象细粒度的对象都具备较接近的外部状态，而内部状态与环境无关，也就是说对象没有特定身份需要缓冲池的场景3.优缺点优点:大幅度降低内存中对象的数量
今阳·2022-11-13 09:58

设计模式-享元模式-结构型

定义：使用共享对象，可有效支持大量的细粒度对象类型：结构型理解：当需要创建大量相似对象时，会导致性能下降，可以考虑将相似的对象进行复用；复用的方法就是：将公共不变的内部状态和变化的外部状态分离，通过享元工厂类来获取对象
guangdeshishe·2022-11-13 09:46

Android设计模式-享元模式

1.享元模式Flyweight享元模式使用共享对象可有效地支持大量的细粒度的对象。享元模式属于结构型模式。享元模式常用于系统底层开发，解决系统的性能问题。
孟芳芳·2022-11-13 08:41

专访网易数帆：轻舟低代码升级加速，助力企业角逐数字化未来

其中，作为国内领先的低代码代表厂商，网易数帆推出的轻舟低代码应用开发平台亦备受关注，定位于企业级应用的敏捷开发平台，为企业提供强大的数据模型构建能力、灵活易用的可视化编程语言，帮助构建多层次细粒度企业数字化资产
RPA中国·2022-11-09 15:34

细粒度图像分类论文研读-2014

bylocalization-classificationsubnetwork）AbstractIntroductionPart-BasedR-CNNsGeometricConstrainsFine-GrainedCategorization从14年开始，细粒度分类任务步入深度学习阶段
右边是我女神·2022-11-08 21:50

细粒度图像分类论文研读-2011

文章目录TheCaltech-USCDBirds-200-2011DatasetAbstract数据集规范与收集应用NovelDatasetforFine-GrainedImageCategorization：StanfordDogsIntroduction与其他数据集的比较训练与测试CombiningRandomizationandDiscriminationforFine-GrainedIma
右边是我女神·2022-11-08 21:20

细粒度图像分类论文研读-2012

文章目录ACodebook-FreeandAnnotation-FreeApproachforFine-GrainedImageCategorizationAbstractIntroductionOurApproachTemplateMatchingBasedRepresentationIntuitionTemplatesandtheMatchingApproachBaggingBasedClas
右边是我女神·2022-11-08 21:20

细粒度图像分类论文研读-2013

文章目录Fine-GrainedCrowdsourcingforFine-GrainedRecognitionAbstractIntroductionTheBubblesGameTheBubbleBankAlgorithmTheBubbleDetectorsHierachicalPartMatchingforFIne-GrainedVisualCategorizationAbstractIntro
右边是我女神·2022-11-08 20:41

yolov3为什么对大目标检测不好_基于改进YOLOv3的交通场景小目标检测方法与流程...

背景技术：在交通目标识别应用中，小目标的识别与跟踪是研究的关键问题之一。在智能化领域中，检测与识别交通标志是自动驾驶汽车系统中非常重要的一个部分，因此准确的检测与识别交通标志的研究意义也更加突出。
咪马3213~~·2022-11-08 19:57

ICCV｜复杂场景目标检测——科大讯飞等提出X光安检场景下危险品检测基准（已开源）...

关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式计算机视觉研究院专栏作者：Edison_G复杂视觉场景下的目标识别任务有很多亟待解决的问题
计算机视觉研究院·2022-11-07 17:43

ICCV 2021｜复杂场景目标检测——科大讯飞等提出X光安检场景下危险品检测基准（已开源）...

关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式计算机视觉研究院专栏作者：Edison_G复杂视觉场景下的目标识别任务有很多亟待解决的问题
计算机视觉研究院·2022-11-07 17:13

光安检场景下危险品检测

搬来了之前东家的东西哦~~复杂视觉场景下的目标识别任务有很多亟待解决的问题，也一直是学术界研究的焦点。
tt姐whaosoft·2022-11-07 17:12

直播预告：淘宝因果表征学习与模型泛化实践

演讲主题：无偏数据增强：因果表征学习与因子可控生成的协同内容简介：小样本细粒度
阿里巴巴淘系技术团队官网博客·2022-11-07 09:27

EMNLP21' | 细粒度情感分析新突破 —— 通过有监督对比学习方法学习隐式情感...

FudanNLP论文链接：https://aclanthology.org/2021.emnlp-main.22.pdf论文代码：https://github.com/Tribleave/SCAPT-ABSA细粒度情感分析中的隐式情感细粒度情感分析
zenRRan·2022-11-05 09:57

机器学习实践——人员越界识别（基于Aidlux+Yolov5实现）

二、算法目标识别指定区域是否有有人越过改区域，并进行生成相应报警逻辑。
Cherry CSL·2022-11-03 20:03

从零开始完成YOLOv5目标识别（五）一种扩充数据集的方式

往期文章从零开始完成Yolov5目标识别（四）封装一个跨设备的YOLOv5检测软件从零开始完成YOLOv5目标识别（三）用PyQt5展示YOLOv5的识别结果从零开始完成Yolov5目标识别（二）制作并训练自己的训练集从零开始完成
明天才有空·2022-11-03 13:58

从零开始完成YOLOv5目标识别（八）在客户端集成MQTT通信完成目标识别的实时上传

部分往期文章从零开始完成YOLOv5目标识别（七）一种完成目标计数的简单方法从零开始完成YOLOv5目标识别（六）用接续训练完成大规模数据集训练（以FLIR为例）目录一、架设EMQ服务器1.发布信号2.
明天才有空·2022-11-03 13:58

从零开始完成Yolov5目标识别（一）准备工作

目录一、环境配置Pytorch+CUDA+cuDNN1.安装CUDA和cuDNN1.1查看显卡驱动对应的CUDA版本1.2CUDA和cuDNN的安装与验证2.在虚拟环境中安装pytorch2.1创建虚拟环境2.2在虚拟环境中安装pytorch二、Yolov5源码测试1.下载源码并安装依赖项：2.测试一、环境配置Pytorch+CUDA+cuDNNYOLO的环境配置真的异常繁琐，刚上大学那会儿很多次
明天才有空·2022-11-03 13:28

Res2Net: 一种新的多尺度主干体系结构(Res2Net: A New Multi-scale Backbone Architecture )

第三，感知来自不同尺度的信息对于理解诸如细粒度分类和语义分割之类的任务的部分和对象至关重要。因此，为视觉认知任务设计多尺度的良好特征
Mick..·2022-11-01 14:15

神经网络算法识别图像,图像识别神经网络算法

神经网络技术对完成对微弱信号的检验和对各传感器信息实时处理，具有自适应自学习功能，能自动掌握环境特征，实现自动目标识别及容错性好，抗干扰能力强等优点。
普通网友·2022-10-27 07:59

C++实现YoloV7目标识别与实例分割推理

前言1.简介7月份，由YOLOV4的原班人马Chien-YaoWang、AlexeyBochkovskiy和Hong-YuanMarkLiao推出的YoloV7,应该是目前开源的目标检测算法最好之一了，它在在5FPS到160FPS范围内的速度和精度达到了新的高度，优于YOLOR、YOLOX、Scaled-YOLOv4、YOLOv5、DETR等多种目标检测器。在GPUV100上具有30FPS或更高的
知来者逆·2022-10-27 07:50

在Jetson Nano中使用TensorRT加速yolov3-tiny进行目标识别

JetsonNano使用TensorRT加速yolov3-tiny目标识别前言环境准备运行TRT-yolov3测试(识别)前言Jetsonnano运行yolov3-tiny模型，在没有使用tensorRT
龙啸wyh·2022-10-26 07:53

Jetson Nano使用TensorRT加速yolov3-tiny目标识别

文章目录环境配置运行TRT-yolov3测试(识别)模型替换(详细)yolov3-tiny->onnxonnx->trtResource环境配置安装protobufsudopip3install-ihttps://pypi.tuna.tsinghua.edu.cn/simpleprotobuf==3.8.0安装onnxsudoapt-getinstallprotobuf-compilerlibpr
doubleZ0108·2022-10-26 07:51

基于区块链的数据共享访问控制模型

针对共享数据如何进行细粒度控制、数据的追溯和机密性保护等问题，提出了基于区块链的数据共享访问控制模型。
米朵儿技术屋·2022-10-25 17:04

Vue的组合式api和React hooks的对比

组合式API是以Vue中数据可变的、细粒度的响应性系统为基础的，而函数式编程通常强调数据不可变。组合式API提供了和Reacthooks相同级别的逻辑组织能力。
程序猿小泓·2022-10-25 12:29

CVPR 2022数据集汇总｜包含目标检测、多模态等方向

https://xiaodongsuper.github.io/M5Product_dataset/index.htmlM5Product数据集是一个大规模的多模态预训练数据集，具有针对电子产品的粗粒度和细粒度注释
机器学习与AI生成创作·2022-10-24 17:14

【OpenCV--角点特征】

六个小图找到原始图像中的位置：A和B是平面，图像中很多地方存在，难以准确找到C和D是边缘，可以近似确定其位置E和F是角点，可以迅速确定位置2.角点对图像理解、分析起着重要作用，在三维场景重建运动估计、目标跟踪、目标识别
In my opinion·2022-10-24 08:19

【YOLOv5】yolov5目标识别+DeepSort目标追踪

引言利用yolov5训练的目标识别模型，结合DeepSort实现目标追踪源码下载：（1）Yolov5_DeepSort_Pytorch(该源码下载下来的yolov5文件夹是空的，需要另外下载yolov5
摇曳的树·2022-10-24 07:15

基于 eBPF 实现容器运行时安全

天翼云云容器引擎使用eBPF技术实现了细粒度容器安全，对主机和容器异常行为进行检测，对有问题的节点和容器进行自动隔离，保证了多租户容器平台容器运行时安全。BPF是一项革命性
Docker_·2022-10-23 18:54

基于原子势函数及人工蜂群算法进行形状匹配优化（Matlab代码实现）

概述当观察周围环境时,人们首先注意到的是物体及其周围环境的颜色、纹理、形状和空间关系等等,形状是物体最基本的有感觉意义的特征之一.在计算机视觉和模式识别中,形状是对目标范围的二值图像表示,可以看成是目标的轮廓,它是用于目标识别
研学社·2022-10-21 13:11

华为鸿蒙发布会演讲稿及鸿蒙操作系统简介

一、、微内核天然无Root权限，外核服务相互隔离，细粒度权限控制，从源头上提升系统安全。二、鸿蒙OS实现模块化解耦，对应不同设备可以弹性部署。
Hi洛一·2022-10-20 22:47

golang 实现时间滑动窗口的示例代码

滑动时间窗口就是把一段时间片分为多个样本窗口，可以通过更细粒度对数据进行统计。然后计算对应的时间落在那个窗口上，来对数据统计；滑动时间窗口，随着时间流失，最开始的样本窗口将会失效，同时会生
·2022-10-19 15:45

将 NGINX 部署为 API 网关，第 2 部分：保护后端服务

本文对这些用例进行了扩展，探讨了一系列可用于保护生产环境中后端API服务的安全措施：限流限定请求方法应用细粒度的访问控制控制请求大小验证请求正文本文最初发布
·2022-10-19 11:34

目标检测算法——YOLOv5改进|增加小目标检测层

其中：(1)Backbone：在不同图像细粒度上聚合并形成图像特征的卷积神经网络。(2)Neck
加勒比海带66·2022-10-19 11:26

图像处理--形态学处理

形态学的基本思想是利用一种特殊的结构元来测量或提取输入图像中相应的形状或特征，以便进一步进行图像分析和目标识别。形态学转换腐蚀
每天一道题·2022-10-17 07:34

YOLOv4 改进 | 记录如何一步一步改进YOLOv4到自己的数据集（性能、速度炸裂）

本文提出了一种高性能的实时细粒度目标检测框架，解决了传统方法的密集分布、不规则形态、多尺度目标类别、纹理相似性等困难。
Tom Hardy·2022-10-16 12:00

Github最新霸榜，腾讯架构师出品“天花板笔记”500页微服务架构手册

前言在过去5年中，微服务架构风格(通过一系列细粒度的、松耦合的、可以独立部署的服务来组织应用)变得越来越流行。且不论公司规模多大，单就工程团队来说，微服务也变得越来越可行。
Java爱好狂.·2022-10-15 01:48

AOP Redis自定义注解实现细粒度接口IP访问限制

目录系列说明实现步骤一、引入依赖二、写注解三、写逻辑（注解环绕）1.添加注解2.注入RedisTemplate3.定义方法4.实现方法5.开启spring自动装配四、测试总结系列说明GitHub地址：github.com/stick-i/scb…目前项目还有很大改进和完善的空间，欢迎各位有意愿的同学参与项目贡献（尤其前端），一起学习一起进步。项目的技术栈主要是：后端Java+SpringBoot+
·2022-10-14 23:12

虚拟座谈会：.NET中的高性能应用

\在讨论性能时垃圾回收是个重复出现的主题，它带来了许多CLR和语言的提升，比如引用返回和ValueTask\在内存分配上更细粒度度量的性能分析API会成为对当前版本API的最大改进（目前正在开发）。
weixin_34265814·2022-10-13 10:02

PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space翻译

然而，通过设计，PointNet无法捕获由度量空间点所产生的局部结构，从而限制了其识别细粒度模式的能力以及对复杂场景的通用性。
Looho_·2022-10-13 07:44

OpenCV数字图像处理实战二：模板匹配（C++）

该方法原理简单计算速度快，能够应用于目标识别，目标跟踪等多个领域。2、具体步骤（1）首先需要一个模板图像T（
qq_43784519·2022-10-13 07:02

(NIPS 2017) PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

然而，根据设计，PointNet并没有捕捉到由点所处的度量空间引起的局部结构，限制了其识别细粒度模式的能力和对复杂场景的通用性。
fish小余儿·2022-10-13 07:58

【论文阅读】3D点云 -- PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

当前存在的两个问题：1pointnet最大的问题，无法捕获点的局部上下文的信息，导致识别细粒度的能力受限。
magic_ll·2022-10-13 07:27

数字图像处理，图像去噪算法简介

然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理
EbowTang·2022-10-13 07:21

YOLO系列算法

模型的训练训练样本的构建损失函数模型训练模型预测yolo总结yoloV2预测更准确（better）batchnormalization使用高分辨率图像微调分类模型采用AnchorBoxes聚类提取anchor尺度边框位置的预测细粒度特征融合多尺度训练速度更快
最白の白菜·2022-10-12 22:06

Spring事务源码详解

支持两种方式的事务管理：编程式事务管理、声明式事务管理编程式事务管理：通过TransactionTemplate或者TransactionManager手动管理事务，使用较少，但是可以让我们精准控制事务粒度，实现精确的细粒度事务控制声明式事务管理
景川呀·2022-10-12 20:23

图像边缘检测新方向--量子算法

边缘检测是图像处理中最基本却又最困难的一个问题，边缘检测更是实现图像分割、目标识别等图像技术的重要前提。图像边缘指的是图形周围像素灰度急剧变化的那些像素的集合，是图像最基本的特征。所谓图像边缘检
·2022-10-12 17:24

Spring通知基于Aop的实现

可以匹配到方法级别，细粒度。@annotation:限制匹配连接点（在SpringAOP中执行的方法具有给定的注解）。
十一与你都在·2022-10-11 11:58
上一页 32 33 34 35 36 37 38 39 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他