行人检测是实现智能交通与客流监控的关键技术，深度学习方法训练模型已经在行人检测领域取得了良好的效果。但是当训练样本质量不佳时，训练的模型往往不能得到令人满意的效果。为了提高雾霾天气与曝光较强环境下的行人检测效果，提出了将暗通道去雾算法应用于深度学习的样本预处理中，并使用快速深度卷积神经网络训练行人检测模型。在实验中，首先对10000张样本图片采用暗通道去雾算法进行预处理，之后分别使用有无暗通道去雾算法预处理的样本图片训练模型，最后比较这两种模型在不同场景下的模型检测准确率。实验结果表明，使用暗通道去雾预处理后的样本训练得到的深度模型具有更好的检测效果，在多种场景下的检测率都得到提升。

适用于深度学习，机器学习的目标检测。风能是现代社会最重要的可再生能源之一,风能的主要利用形式是风力发电,风机叶片是捕获风能并将其转化为电能的主要部件,由于大多数的风电机组工作环境复杂恶劣,且长期承受交变负荷作用,使得在役风机叶片容易出现故障,从而降低风机发电效率、造成安全生产隐患,因此对风机叶片表面故障进行检测和识别显得尤为重要。2003年中国风电进入开始快速发展阶段，2018年中国风电容量赶超美国，成为全球第一，然而，我国早期投建的风机已逐步进入中老年。风机叶片在运行过程中，受台风，雷电，冰雪，盐雾等恶劣天气影响，加上长期使用工程中受到的交变载荷的作用，容易出现裂纹，砂眼，分层，脱粘等损伤，所以需要长期的巡检，探测外表缺陷，损害，并进行长期的运营保养。为解决风机运维成本高，检测效率低，缺陷识别难等

Prompt tuning 目前的相关论文合集，总计70篇左右

给大家分享一套课程——《深度学习-图神经网络实战课》，提供全部数据与代码。 图神经⽹络模块课程旨在帮助同学们快速掌握深度学习在图模型领域算法及其应⽤项⽬。

之前在自己的机器上用pip磕磕绊绊配置过一次，今天在云服务器上相当于复习了一下。 总结一下需要注意的点： 1.anaconda与要使用的python的版本要互相对应。 2.pycharm要装上python的解释器，在project interpreter中可以找到。 3.这次用的anaconda真的香，比如sklearn就不用自己安装，上一次用pip安装时候有各种依赖的血泪史我至今还记得。 4.安装keras之前要安装tensorflow，并且版本要互相兼容。 5.我出现了命令行import cv2成功，但是pycharm中import cv2报错的现象。 我在anaconda中安装openc

在化工原料、服装、食品原料等的出货检验中，需要检测正常产品中的缺陷和杂质，但很难收集到足够的异常图像用于深度学习。 该演示展示了如何使用 CAE 检测和定位异常。 这种只使用正常图像进行训练的方法可能使您能够检测到从未见过的异常​​，通过自定义SegNet模型，您可以轻松地获得此任务的网络结构。 [日本人]在这个演示中，您可以使用深度学习来检测和定位出现在正常图像中的异常。这种仅使用正常图像训练模型的方法可能会检测到您以前从未见过的异常​​情况。我正在自定义 SegNet 模型以轻松获取模型结构。 【Keyward】图像处理、图像分类、深度学习、深度学习、IPCV演示・ SegNet ・ 异常检测 ・ 视觉检测 ・ 语义分割 ・ 自动编码器 ・ 卷积

斯坦福cs231n课件，需要的小伙伴自取

本文针对传统基于机器视觉的司机疲劳检测模型对硬件系统要求较高、检测准确率和效率较低等问题，提出了一种基于MTCNN-PFLD-LSTM深度学习的司机疲劳驾驶检测方法。该方法利用深度学习技术对驾驶员的面部特征进行提取和分析，通过LSTM模型对驾驶员的疲劳状态进行判断和预测。实验结果表明，该方法具有较高的检测准确率和效率，能够有效地检测司机的疲劳驾驶状态，具有一定的实用性和推广价值。

1.克隆源码 https://github.com/microsoft/DeepSpeed.git 2.在win10系统22H2版本上安装Visual Studio 2019，在支持GTX1060显卡的NVIDIA Studio Driver462.31驱动上安装cuda11.6+cudnn8.7，进入在python3.7的虚拟环境中，安装依赖pytorch1.12.0 3.更改源码 3.1.setyup.py增加环境变量 os.environ['DS_BUILD_AIO']='0' os.environ['DS_BUILD_SPARSE_ATTN']='0' 3.2.csrc/includes/memory_access_utils.h增加头文件 #include 4.执行编译命令 python setup.py bdist_wheel ，大约20分钟后在dist目录生成deepspeed-0.8.2+81b4d5db-cp37-cp37m-win_amd64.whl文件

CNN-RTLSDR 使用rtl-sdr加密狗进行深度学习信号分类。 当前的预训练模型能够对4种信号进行分类：WFM，TV Secam载波，DMR信号和“其他”信号。 预先模型测试 将软件存档解压缩到某个文件夹，例如C：\ rtlsdr 转到并选择Python 3.6版本，64位图形安装程序或直接下载： : 如果您没有现代的NVIDIA图形卡，则要安装CPU版本，只需在requirements.txt中删除以下行： tensorflow-gpu==1.4.0 运行anaconda提示符，将目录更改为C：\ rtlsdr，然后运行： conda install pip pip install -r requirements.txt 仅对于Tensorflow的CUDA版本，如果已安装CPU版本，请跳过以下步骤： 下载并安装CUDA 8工具包： : 下载用于工具包8的C