tag 人工智能

標籤
貢獻909
941
06:37 AM · Oct 27 ,2025
deephub 頭像 u_13357275 頭像 pannideniupai 頭像 elhix0bg 頭像 xingxingshangdeliushu 頭像 u_15591470 頭像 lab4ai 頭像 u_17579295 頭像 u_17512334 頭像 qingfouai 頭像 u_17567677 頭像 chaoshenjinghyperai 頭像

@人工智能 / 博客 RSS 訂閱

u_15641375 頭像

芯動大師 - 基礎的點雲轉換

對於點雲處理而言，最簡單也逃不過的就是點雲轉換了，我們就從點雲轉換開始，來一步步完成點雲加速的學習。點雲基礎轉換是3D點雲處理中的一個重要步驟。它的主要目的是將點雲從一個座標系轉換到另一個座標系中，通常是為了方便後續處理或者顯示。在實際應用中，點雲基礎轉換通常包括平移、旋轉、縮放等操作。這裏對應了pcl::transformPointCloud這種方法 1. CUDA與Th

機器學習 , yyds乾貨盤點 , 數據 , 點雲 , include , 人工智能

收藏 評論

u_15903730 頭像

WangLanguager - 圖神經網絡（GNN）介紹和代碼示例

圖神經網絡（GNN）介紹 圖神經網絡（Graph Neural Networks, GNNs）是一類專門處理圖結構數據的深度學習模型。圖是由節點（頂點）和邊（連接節點的關係）構成的結構，廣泛應用於社交網絡、推薦系統、知識圖譜、分子結構分析等領域。 基本原理 GNN的核心思想是通過節點的鄰居信息來更新節點的表示（embedding）。每個

神經網絡 , 人工智能 , 卷積網絡 , 深度學習 , Css , 前端開發 , HTML

收藏 評論

ryann_692d2a239f07d 頭像

Ryann - Step-Audio-R1 技術報告解析

Step-Audio-R1 技術報告解析 先説結論：Step-Audio-R1 的核心貢獻，在於將音頻模型從文本推理轉為真正的聲學推理，以及解決了音頻模型推理退化的問題。 也就是，它不再僅僅通過識別出的文字來思考，而是學會了深度解碼用户的副語言信息（如情感、語調、環境音）進行思考和判斷。同時用一些實驗證明了階躍訓練這個R1模型方法的有效性。 Step-Audio-R1基於聲學特徵（和絃、

人工智能

收藏 評論

u_16125291 頭像

科技雲報到 - 科技雲報到：2026網絡安全六大新趨勢：AI重構攻防，信任成為新防線

科技雲報道原創。 2026年的網絡安全戰場，將脱離“築牆防盜”的初級階段，演變為一場圍繞“數字信任”展開的全方位博弈。 IDC預測，到2026年，70%的組織將採用融合生成式、處方式、預測式和智能體技術的複合AI。 AI的爆發式增長在重塑生產力的同時，也催生了AI Agent身份冒充、API規模化攻擊、AI瀏覽器和AI手機“黑箱”風險等新型威脅，推動網絡安全從“

數據 , MySQL , API , 數據庫 , 人工智能

收藏 評論

u_16099344 頭像

風華正茂的AI - 深度學習 邊緣關鍵點檢測 邊緣檢測的算法

邊緣提取其實也是一種濾波，不同的算子有不同的提取效果。比較常用的方法有三種，Sobel算子，Laplacian算子，Canny算子。 Sobel算子檢測方法對灰度漸變和噪聲較多的圖像處理效果較好，sobel算子對邊緣定位不是很準確，圖像的邊緣不止一個像素；當對精度要求不是很高時，是一種較為常用的邊緣檢測方法。 Canny方法不容易受噪聲干擾，能夠檢測到真正的弱邊緣。

深度學習 邊緣關鍵點檢測 , 邊緣像素 , 像素點 , 邊緣檢測 , 人工智能 , 深度學習

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 2025–2030 年最緊缺的八大 IC 崗位

面對摩爾定律放緩、AI 和汽車電子爆發、Chiplet 與 3D-IC 持續改寫系統架構，半導體行業正在進入一個全新的競爭週期。技術路徑的變化，也正在深刻影響人才需求結構：行業不再只需要“通才”，而是更稀缺、也更關鍵的專業型工程師。 ✦ 01 技術範式轉變帶來崗位重構 算力需求攀升讓架構創新成為主戰場；先進封裝推

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

u_15675268 頭像

1艾一刀 - 【年度AI觀察】2025，人形機器人先搶“定位”

文 | 智能相對論 作者 | 許成行 2025年，人形機器人產業在爭議中迎來發展深水區。 一邊是2025年央視春晚上16個宇樹H1人形機器人跳秧歌、轉手絹的驚豔表演，以及眾擎T800一腳踹翻自己公司CEO；另一邊是知名投資人“只會翻跟頭，商業化在哪”的尖鋭質疑。 2025年的人形機器人到底是泡沫狂歡還是場景落地？ 破題：兩大對立觀點的核心矛盾

差異化 , 硬件故障 , 人工智能 , 深度學習 , 人形機器人

收藏 評論

u_15690955 頭像

出手吧Glen - AI免費無限換臉！FaceFusion最新3.5炸了！

作為常年玩AI換臉的老玩家，我對FaceFusion的期待從來沒落空過——從3.4.1的HyperSwap模型解決側臉、遮擋問題，到這次3.5.0直接把“換臉+修圖”打包整合。 親測完只想説：以後做創意視頻再也不用換三四款軟件了！關鍵是，離線懶人包已經備好，解壓點兩下就啓動，小白也能直接拿捏。 最香的3個新功能，直接解決老痛點 之前用換臉

機器學習 , 換臉 , 批量處理 , Source , 離線 , 人工智能

收藏 評論

u_16099274 頭像

墨香四溢 - 振動幅值數據分析

假設信號的採樣頻率是Fs，信號的頻率是F，採樣點數為N，則與傅里葉變換相關概念幾個計算公式如下： 1.頻率計算公式 2.振幅計算公式 Magnitude

採樣頻率 , 振動幅值數據分析 , 採樣率 , MATLAB , Pan , 人工智能 , 數據分析

收藏 評論

xixiaoyao 頭像

夕小瑤談人工智能 - 靈啓 AI 小盒子-桌面級AI Lab實測：千億大模型開箱即跑，這個小盒子有點猛

等等！馬上要進入 2026 年了，你還在和大模型部署扯皮嗎？ 尤其是個人開發者和小團隊，只是想跑個模型，為什麼要經歷九九八十一難啊？！ 配環境翻車、顯存溢出報錯、依賴衝突爆炸、模型下載失敗……這種痛感你我都懂。 所以，當一台自稱「桌面級個人 AI Lab」的小盒子端上來，宣稱開機即跑、開箱即用、千億大模型隨便懟的時候，我第一反應是：想法

複雜度 , 運維 , 人工智能 , Css , 開發者 , 前端開發 , HTML

收藏 評論

u_17536710 頭像

mb68d4f4b730ca5 - 大數據解決方案如何實施

大數據解決方案實施的難點在於以下幾點： 　　1.很少有優質可用的數據 　　在數聚股份看來，這幾年數據交易機構如雨後春筍，“數據變現”成為很多擁有數據積累的傳統企業的新的生財法。目前，我國大數據需求端以互聯網企業為主，覆蓋面不廣，在O2O趨勢下，大型互聯網廠商嘗試引入外部數據支撐金融、生活、語音、旅遊、健康和教育等多種

bi , bi工具 , 數據採集 , 數據可視化 , 人工智能 , 數據分析

收藏 評論

u_17342767 頭像

野豹商業評論 - 從風口到風險：中信百信銀行的合規困局

9月30日，國家金融監督管理總局一張1120萬元的罰單，將國內首家獨立法人直銷銀行——中信百信銀行（下稱“百信銀行”）推上了輿論風口。這不僅是該行成立以來的最高額罰單，更是監管層對互聯網銀行野蠻生長背後合規短板的一次集中清算。 罰單直指兩項核心違規：“相關互聯網貸款等業務管理不審慎”與“監管數據報送不合規”。而這並非孤例，早在2023年8月，該行就因

盈利模式 , 風控 , 數據 , 人工智能 , 數據分析

收藏 評論

u_17580222 頭像

mb691327edb400f - 破局傳統招聘：AI面試智能體構建精準高效新生態

破局傳統招聘：AI面試智能體構建精準高效新生態 在激烈的商業競爭中，人才是企業突圍的核心底氣。但傳統招聘模式早已淪為發展桎梏——流程繁瑣耗力、判斷主觀失真、成本高企卻難獲適配人才，讓企業在人才爭奪戰中逐漸掉隊。第六代AI面試智能體攜全鏈路解決方案，以精準、體驗、效率三大核心突破，徹底打破傳統招聘困局，為企業注入人才競爭力。 一、決策級精

上傳 , 一對一 , 人工智能 , 深度學習 , 解決方案

收藏 評論

xingxingshangdeliushu 頭像

星星上的柳樹 - 智慧城市新腦：NVIDIA構建“AI工廠”模式

“城市不再只是鋼筋水泥的聚集體，而將成為真正“會思考”的系統。” 在巴塞羅那召開的 SCEWC 上，NVIDIA 面向城市領袖提出了一個大膽設想：將城市管理升級為 “AI 工廠”模式，將攝像頭、傳感器、數字模型匯成一個集中智能系統，實現從交通、氣候、安全到公共服務的主動治理。 NVIDIA 指出，這不僅僅是賣硬件，更是讓人工智能“觸手可及、經濟可行、規模可擴”的城市級應用。 ✦

資訊 , 教程 , 知識 , 人工智能 , 深度學習

收藏 評論

u_17061379 頭像

AI編程社區 - Qoder CLI 終端裏的智能夥伴

凌晨兩點，你在遠程服務器上調試一個緊急 Bug，開發環境無法連通線上環境，Web IDE 操作卡頓。 此時你只需要一行命令——qodercli，1 秒內一個輕量級 AI 編程助手已在終端就位。 它能讀代碼、寫邏輯、Review 提交、自動拆解任務，甚至主動問你：“這個需求是不是要加權限校驗？”。 這是Qoder CLI——一個完全自研、僅百兆內存、啓動快過泡麪的命令行

機器學習 , 自然語言 , 企業級 , 人工智能 , 開發者

收藏 評論

u_16213699 頭像

mob64ca1414098d - vform3多選下拉列表

總結了下在表單處理中單選、多選、選擇框值的獲取及表單的序列化，寫成了一個對象。如下： 1 　　var formUtil = { 2 // 獲取單選按鈕的值，如有沒有選的話返回null 3 // elements為radio類的集合的引用 4 getRadioValue:function(elements)

表單 , i++ , 人工智能 , 計算機視覺 , vform3多選下拉列表 , HTML

收藏 評論

u_16213610 頭像

mob64ca13feda16 - windows qt uvc xu 擴展協議demo

1.VTK庫在三維可視化顯示方面（醫學圖像、地質、氣象等領域）具有廣泛的應用，調用該庫的傳統方式是通過VS，結合Cmake文件進行編譯。 2.Qt在界面設計、編譯方面具有良好的優勢，如果能使用Qt進行VTK庫的調用，這既利於發揮VTK的優勢進行算法的研究，又利於發揮Qt的優勢進行工程的進展。 3.然而，目前這方面的參考教程較少或不詳細（之所以這樣説是因為 目前網上的教

機器學習 , 下載文件 , qt , 人工智能 , 下載地址

收藏 評論

shoushoudeqie 頭像

瘦瘦的企鵝 - 打工人逆襲指南：用“多巴胺看板”輕鬆搞定KPI！

《“多巴胺” 工作法：用色彩分類看板激發工作活力》 ✨ 打工人必看！把“多巴胺穿搭”搬到職場，拯救你的效率與心情！ 🌈靈感來源：為什麼“多巴胺”能拯救職場？ []() 最近全網刷屏的「多巴胺穿搭」火到離譜！高飽和度的色彩碰撞不僅讓人心情愉悦，還能傳遞能量感。 但你知道嗎？ “多巴胺”法則也能移植到工作中！💡 職場人每天面對密密麻麻的任務清單，焦慮和疲憊是常態。但如果把任務按

tensorflow , 人工智能 , 深度學習

收藏 評論

gexia_com 頭像

閣下AI - 閣下AI平台：工具生成效率的實際觀察

\# 閣下AI平台：工具生成效率的實際觀察 在我們實際使用閣下AI平台的過程中，其工具生成效率確實給我們留下了深刻印象。它能夠將傳統需要數週甚至數月的手工開發工作，壓縮到以分鐘或小時計算，並且生成結果的成功率和質量都保持在線。以下是我們結合真實使用情況整理的一些數據與觀察。 \## 一、生成需要多長時間？ | 任務類型 | 閣下AI平台大致耗時 | 補充説明 | | 簡單工具 （例如文案生

機器學習 , 人工智能

收藏 評論

u_17579295 頭像

mb6911caa73d1d1 - 數字孿生賦能園區運營：一個真實案例的深度解析

在當今數字化浪潮中，園區運營管理正面臨效率提升和成本控制的挑戰。傳統的園區管理往往依賴人工巡檢和分散的系統，導致響應慢、數據孤島問題突出。數字孿生技術作為一種新興解決方案，正逐步改變這一局面。今天，我們將通過一個實際案例，探討“孿易 數字孿生 IOC 標準版”如何幫助園區實現智能運營，無需過度技術堆砌，而是聚焦於實際問題的解決。 某大型智慧園區的運營痛點 該園區佔地超

數據 , 運維 , 數據可視化 , 人工智能 , 數字孿生 , 數據分析

收藏 評論

pannideniupai 頭像

雨大王 - 多工廠協同的“指揮官”：APS系統如何讓生產計劃跑得更快？

高級計劃排程（Advanced Planning and Scheduling, APS）系統在多工廠協同中的運用，能夠顯著提升製造企業的整體運營效率、資源利用率和交付能力。特別是在汽車製造、電子、物流等多工廠分散佈局的企業中，通過APS系統實現全局統籌、工廠協同和動態調整，能夠有效應對複雜的供應鏈、產能波動和訂單變更等挑戰。 以下是高級計劃排程在多工廠協同中的關鍵運用： 一、多工廠協

人工智能

收藏 評論

u_17512334 頭像

疆鴻智能研發中心 - 深入拆解：如何用協議網關打造EtherNet/IP與DeviceNet的無損數據通道

深入拆解：如何用協議網關打造EtherNet/IP與DeviceNet的無損數據通道 1. 項目背景 我所在的包裝車間，核心控制系統由一套較新的羅克韋爾ControlLogix PLC掌控，它通過高效的EtherNet/IP網絡與上層監控系統通信。然而，車間裏還有多條早年安裝的生產線，其關鍵設備——如老款的伺服驅動器、光電傳感器和閥門組——都依賴DeviceNet現場

協議轉換網關 , 工業通訊 , ETHERNET IP , 人工智能 , DEVICENET , 深度學習 , 工業自動化

收藏 評論

deephub 頭像

deephub - 從零開始構建圖注意力網絡：GAT算法原理與數值實現詳解

圖數據在機器學習中的地位越來越重要。社交網絡的用户關係、論文引用網絡、分子結構，這些都不是傳統的表格或序列數據能很好處理的。現實世界中實體之間的連接往往承載着關鍵信息。 圖神經網絡(GNN)的出現解決了這個問題，它讓每個節點可以從鄰居那裏獲取信息來更新自己的表示。圖卷積網絡(GCN)是其中的經典代表，但GCN有個明顯的限制：所有鄰居節點的貢獻都是相等的（在歸一化之後）。 這個假設在很多情況下並不合

神經網絡 , 人工智能 , 深度學習 , 圖論

收藏 評論