tag 特徵提取

標籤
貢獻10
68
03:54 AM · Oct 31 ,2025
deephub 頭像 u_14402 頭像 u_13527 頭像 yuhaibao324 頭像 u_16099236 頭像 u_14682436 頭像 u_15903730 頭像 u_16099217 頭像 u_15444 頭像 u_16297326 頭像

@特徵提取 / 博客 RSS 訂閱

u_14402 頭像

Aceryt - ONNX 新特性大解讀和最佳實踐分享｜直播預告

你是否還在為多模型部署的冗餘計算髮愁？當圖像分類與目標檢測模型分別佔用 GPU 資源時，算力浪費與推理延遲成為難以迴避的痛點。本文將帶你用 ONNX（Open Neural Network Exchange，開放神經網絡交換格式）構建多任務學習模型，通過共享特徵提取層實現"一次前向傳播，多任務並行輸出"，實測可降低 40% 計算資源消耗。 讀完本文你將掌握：

多任務 , 後端開發 , 複用 , 特徵提取 , Python

收藏 評論

u_13527 頭像

bigrobin - 機器學習模型 輸入層 隱藏層 輸出層 權重 偏置 公式

深度學習三步驟 普遍性定理 對於任何一個連續的函數，都可以用足夠多的隱藏層來表示 神經網絡 完全連接前饋神經網絡 輸入層（Input Layer）：1層 隱藏層（Hidden Layer）：N層 輸出層（Output Layer）：1層 全鏈接

機器學習 , 數據 , 神經網絡 , 人工智能 , 特徵提取

收藏 評論

yuhaibao324 頭像

DeepSeaAI - EchoMimic：阿里巴巴開源的AI數字人視頻生成系統

概述 EchoMimic 是阿里巴巴螞蟻集團推出的開源AI數字人視頻生成模型。該項目通過先進的深度學習技術，將靜態圖像轉化為具有動態語音和表情的數字人像，實現"讓照片開口説話"的革命性能力。 核心價值主張 開源開放：完整的源代碼和預訓練模型免費提供 多模態驅動：支持音頻、視覺或二者結合的驅動方式 高保真生成：保持原始人物身份特徵的同時生

神經網絡 , 人工智能 , 特徵提取 , Git , Json

收藏 評論

u_16099236 頭像

是大魔術師 - MYO：體感新玩法,生物電感應_weixin

利用Myo臂環採集肌電信號（EMG）和角速度（來自陀螺儀）來實現實時手勢識別 一、系統概述與工作原理 Myo臂環是一款可穿戴設備，它包含： 8個EMG傳感器：測量前臂肌肉產生的電信號。不同的手勢會激活不同的肌肉羣，產生獨特的肌電模式。 9軸IMU：包含陀螺儀（角速度）、加速度計和磁力計，用於捕捉手部的運動和朝向。 核心思想：將EM

陀螺儀 , 數據 , 後端開發 , 特徵提取 , Python

收藏 評論

deephub 頭像

deephub - 機器學習時間特徵處理：循環編碼（Cyclical Encoding）與其在預測模型中的應用

做過電力負荷預測或者交通預測朋友，大概率都處理過時間特徵。這裏最直接的做法通常是把時間（比如分鐘或小時）直接扔進模型裏。這看起來邏輯自洽，但存在這一個大坑，就是“午夜悖論”。 比如説你的模型面對兩個時間點：23:59（一天的第1439分鐘） 和 00:01（一天的第1分鐘）。在我們的認知裏，這倆只差兩分鐘，但在模型的邏輯裏1439 和 1 可是不一樣的。大多數機器學習算法（線性迴歸、KNN、SVM

機器學習 , 人工智能 , 特徵提取 , Python

收藏 評論

u_14682436 頭像

TwcatL - 遷移學習深度解析：讓AI快速適應新任務的核心技術

在深度學習實踐中，你是否遇到過這樣的困境：想訓練一個圖像分類模型，卻只有幾百張標註數據；想開發一個文本情感分析系統，卻缺乏足夠的領域內語料；從零開始訓練模型不僅耗時耗力，還容易出現過擬合。這時候，“遷移學習（Transfer Learning）”技術就能幫你解決這些問題。它的核心思想是“借力打力”——將在大數據集上訓練好的模型（預訓練模型）的知識，遷移到新的小數據任務中，讓模型快

數據 , 私藏項目實操分享 , 遷移學習 , jquery , 前端開發 , 特徵提取

收藏 評論

u_15903730 頭像

WangLanguager - Prototypical Networks 在圖像識別中表現如何？

Prototypical Networks 在圖像識別中的表現 Prototypical Networks（原型網絡）在圖像識別領域，尤其是在小樣本學習（Few-Shot Learning）和零樣本學習（Zero-Shot Learning）任務中，展現出了顯著的優勢和良好的性能。以下是其在圖像識別中的表現和特點： 1.性能優勢 小樣本學習：原型網絡通

圖像識別 , yyds乾貨盤點 , 圖像分類 , Css , 前端開發 , 特徵提取 , HTML

收藏 評論

u_16099217 頭像

技術博客達人 - resnet與cnn的關係

卷積神經網絡在視覺識別任務上的表現令人稱奇。好的CNN網絡是帶有上百萬參數和許多隱含層的“龐然怪物”。事實上，一個不好的經驗規則是：網絡越深，效果越好。AlexNet，VGG，Inception和ResNet是最近一些流行的CNN網絡。為什麼這些網絡表現如此之好？它們是如何設計出來的？為什麼它們設計成那樣的結構？回答這些問題並不簡單，但是這裏我們試着去探討上面的一些問題。網絡結構

機器學習 , 卷積 , 卷積核 , resnet與cnn的關係 , 人工智能 , 特徵提取

收藏 評論

u_15444 頭像

gulaotou - 醫學影像特徵提取與導出_醫學影像的特徵提取

1 DICOM特徵提取手藝概述 所有智能診斷系統的起點。就是在醫學影像的世界裏，DICOM文件，就像一種通用語言，每一份文件中都封裝了病人的具體信息和影像切片，而AI要想讀懂這些影像就必須先從這些文件裏提煉出關鍵的特徵，這幾乎 繼而目前的現狀是提取特徵的方法也一直在進化，早期靠工程師一點點手動設計，現在則更多地依賴深度學習模型去自動發現，由此也衍生

後端開發 , 深度學習 , 頻域 , 特徵提取 , Python

收藏 評論

deephub 頭像

deephub - sklearn 特徵選擇實戰：用 RFE 找到最優特徵組合

特徵越多模型效果就越好？這個想法在實踐中往往站不住腳，因為過多的特徵反而會帶來過擬合、訓練時間過長、模型難以解釋等一堆麻煩。遞歸特徵消除(RFE)就是用來解決這類問題的，算是特徵選擇裏面比較靠譜的方法之一。 本文會詳細介紹RFE 的工作原理，然後用 scikit-learn 跑一個完整的例子。 RFE 是什麼 遞歸特徵消除本質上是個反向篩選過程。它會先用全部特徵訓練模型，然後根據模型給出的重要性評

機器學習 , 人工智能 , sklearn-pandas , 特徵提取 , Python

收藏 評論

u_16297326 頭像

虎斑嘟嘟 - 大模型智能體在醫療影像診斷中的特徵提取與識別

大模型智能體在醫療影像診斷中的特徵提取與識別 隨着人工智能技術的快速發展，大模型智能體在醫療影像診斷領域正掀起一場革命。本文將深入探討大模型智能體如何通過先進的特徵提取與識別技術，改變醫療影像的診斷方式，並提供詳細的代碼實例展示這一過程的具體實現。 醫療影像診斷中大模型智能體的技術基礎 大模型智能體在醫療影像診斷中的核心價值在於其能夠模仿甚至增強人類專家的診斷思

yyds乾貨盤點 , 後端開發 , JAVA , Image , 模態 , 特徵提取

收藏 評論