精华内容
下载资源
问答
  • 2020图像技术栈

    2020-04-22 10:07:33
    1、图像分类:数据上各种爬虫工具,算法上backbone,权重,loss。小样本问题,样本不均衡问题。 2、目标检测:backbone,loss,NMS,Anchor生成方式或anchor free,评价体系IoU,GIoU。小目标问题,样本不均衡问题...

    1、图像分类:数据上各种爬虫工具,算法上backbone,权重,loss。小样本问题,样本不均衡问题。

    2、目标检测:backbone,loss,NMS,Anchor生成方式或anchor free,评价体系IoU,GIoU。小目标问题,样本不均衡问题。

    3、语义分割:sota

    4、美学分:代码实践,总结一篇

    5、图像修复:image-inpainting文章及代码实践一篇

    6、风格迁移:代码实践一篇。https://blog.csdn.net/gdymind/article/details/82696481

    7、视频相关。

    展开全文
  • 面试岗位:计算机视觉工程师(字节跳动-飞书部门) 一面 贾帅帅 字节跳动提前批一面 7月13号15:00至16:20 (16:00时候说开始做算法编程题) 1、自我介绍 提了技术博客专栏和旷视实习(面试官好像会记录一些他认为...

    面试岗位:计算机视觉工程师(字节跳动-飞书部门)

    一面

    贾帅帅
    字节跳动提前批一面
    7月13号15:00至16:20 (16:00时候说开始做算法编程题)

    1、自我介绍

    • 提了技术博客专栏和旷视实习(面试官好像会记录一些他认为值得记录的点)

    • 说了自己的研究方向,面试官让我说一说anchor_free的目标检测网络,我就把我看过的一些anchor-free的网络一顿说

      插曲:我说我个人相比于SSD更喜好yolo系列的,并说yolov3是2018年的,面试官说是2016年的,后面面试官发现自己记错了

    • 还问了一下自己对anchor_free的目标检测网络的理解,应该怎么使用,在什么场景下怎么选择

    2、项目介绍

    (1)地铁病害检测项目

    • 项目流程
    • 数据增广
    • 目标类别的设置(自己主动说的)

    (2)无人机检测项目

    • 用的backbone

      我回答的是MoblieNet,然后面试官问了这个项目最终的速度,我说10ms,MobileNet_SSD本身是很快的

    • 目标跟踪流程

      我是分为了点目标和面目标,分别来介绍

    • 这个项目是怎么落地的

    • MoblieNet V1 V2 V3的区别

    • SSD网络的训练数据的目标类别

    (3)羽毛球轨迹检测项目

    • 怎么做的检测与跟踪
    • 这个程序提供的接口是指啥

    3、深度学习

    • 目标检测场景:怎么处理不同类别数据不平衡的问题
    • 谈谈你对focal loss的使用场景
    • 小目标检测有什么好的方法么
    • 你知道的模型压缩方法
    • anchor-free目标检测网络
    • BN的训练与测试

    4、C++

    • 静态多态和动态多态

      我回答时候在动态多态那儿照着虚函数一顿说

    • C++11的新特性

    • 智能指针

      针对unique_ptr谈论了一会儿,并且面试官自己开IDE实验了一下unique_ptr是否能做函数形参

      (我自己还对智能指针的来源说了一通)

    • 静态库与动态库

    • 引用和指针的区别

    5、Python

    • 深拷贝和浅拷贝
    • 魔法函数
    • 内存管理机制
    • 迭代器应该实现哪两个函数

    6、Pytorch

    • model的forwad函数是如何自动执行的

      我没答上来。。

    7、算法编程

    (1)LeetCode200题:岛屿个数

    二面

    2020年7月15号15:00至16:00(40分钟以后开始coding)

    1、自我介绍

    2、项目介绍

    (1)地铁病害检测

    • 数据增广

    • 为什么说目标检测网络的分类能力有待提升

      我主动提的:目标检测网络的分类能力在一些困难目标上效果不好,然后面试官问的这个问题,我是从目标检测网络的分类任务和回归任务的冲突角度谈的

    (2)无人机检测跟踪

    • 点目标与面目标的检测跟踪流程
    • OTSU(大津法:自适应阈值分割)的原理
    • 该项目是怎么部署的

    3、图像处理

    (1)说一下sift

    ​ 没答出来。。

    4、深度学习

    (1)说一下 Yolo V1、V2、V3的区别

    (2)谈一下你最近看过的印象深刻的一篇论文

    ​ 我说的是coco霸榜的DetectoRS,说的有点乱。。

    (3)resnet为什么可以更深?

    5、C++

    (1)内存

    (2)重载与重写

    (3)多态的实现(虚函数)

    (4)sizeof 指针的大小

    (5)map和unordered_map的底层实现

    6、Pytorch

    (1)TensorFlow1.0的静态图

    ​ 我直接说我没用过

    (2)Pytorch的动态图

    ​ 不会,又栽在pytorch这儿了。。

    7、机器学习

    (1)Adaboost的原理

    (2)牛顿法和拟牛顿法

    8、算法coding

    (1)返回数组的第K大元素

    HR面

    2020年7月20号15:00至15:20

    注:本来这一面应该是三面技术面,但是临时改成了HR面,面完之后说三个工作日后会通知是否进行三面技术面

    (1)自我介绍

    (2)本科是电子信息工程,为什么想做计算机视觉相关?

    (3)介绍从大三开始到现在印象最深的项目。

    (4)地铁病害项目背景,组员几个人?项目落地,成果?

    (5)旷世实习,入职做什么?

    (6)人脸识别,图像质量提高这方面的了解?

    (7)自己想做识别哪个方向?

    (8)之前的一面和二面自己感觉怎么样,觉得自己哪里发挥的不好

    (9)面试后有没有进行查漏补缺

    (10)选择工作时城市要求?

    (11)其它公司面试情况?

    (12)偏向做3D和AI哪个方向?

    展开全文
  • 技术栈

    2019-09-07 15:46:42
    前端技术栈

    注意: 只为自己做笔记用的,基本都是电梯。

    1.前端工程化指南

    @前端工程化指南
    包含node;gulp构建工具;webpack;vue、angularjs、react框架;服务器知识;electron桌面构建工具;koa框架和docker等教程。

    2.web前端工程化开发

    @web前端工程化开发
    包含前端工作流;前后端分离;前端测试;node;markdown;代码管理工具等教程。

    3.前端开发文档

    @GitHub博客文档
    从三剑客到框架到代码到组件库到面试题,很全面。
    @淘系前端团队-Rax
    @H5中国产业联盟
    @阮一峰ES6
    360奇舞周刊

    4.JavaScript中文网

    包含vue、react等各个框架和javascript知识还有CSS各类布局模型(盒子模型)
    @javascript中文网

    5.看云干货笔记

    Egg开发干货笔记
    @看云武功秘籍
    @eggAPI

    6.前端面试题

    包含前端三剑客;数据结构与算法;计算机网络等模块。
    @木易杨壹题汇总
    @前端100问
    @LeetCode题库
    @牛客网面试宝典

    7.React 相关

    1. @React-Router中文文档
      @React Router4.0
    2. React 官网
    3. @React-redux
    4. @28个React组件库
      @Ant Design
      @Zent 有赞
    5. Next.js
      Next.js
      Next.js 入门
    6. @生命周期

    8.Vue相关

    1.Vue-CLi 脚手架官网文档
    2.@Vue源码解析
    @源码解析Vue 博客园
    3.Vue官网
    4.vue全家桶
    5.梁兴华前端个人博客
    6.@uniapp 设备API接口文档
    7.@alex张博客
    8.vue-manage-system 林鑫
    @开发总结
    @码云
    @s-Chart
    @git vue-echarts

    9. Python 相关

    1.Python对接数据库
    @Python常用数据库
    MySQLdb ; PyMySQL;Sqlite3 概述及其介绍和相关使用方法
    2.综合性文档
    @Django 官网
    @Django 中文文档
    @Django 配置mysql数据库
    3.Django REST framwork
    Django Restful接口开发
    4.window 环境下安装python

    10.Vue移动端UI组件库

    微信小程序:
    @微信小程序官方开发文档
    @Fly io官方文档
    @微信公众平台

    中后台web系统:
    (1)iview
    iView admin
    iview文档教程
    (2)element
    vue element admin 潘家陈
    Uniapp:
    @goeasy websocket
    @零配置物流组件
    @uni小程序SDK
    1.WeUI
    WeUI 小程序–使用教程
    官方介绍:WeUI 是一套同微信原生视觉体验一致的基础样式库,由微信官方设计团队为微信内网页和微信小程序量身设计,令用户的使用感知更加统一。小程序开发中最常用到的一款框架,受广大开发人员的欢迎。
    2:美团小程序框架mpvue
    Github:@Git地址
    官网: @mpvue
    教程:@博客教程
    @mpvue使用手册
    官方介绍:mpvue是一个使用 Vue.js开发小程序的前端框架。框架基于 Vue.js核心,mpvue修改了 Vue.js的 runtime和 compiler实现,使其可以运行在小程序环境中,从而为小程序开发引入了整套Vue.js开发体验。
    3.组件化开发框架wepy
    Github地址:@Git wepy
    官网地址:@官网地址
    官方介绍:组件化开发,完美解决组件隔离,组件嵌套,组件通信等问题,支持使用第三方 npm 资源,自动处理 npm 资源之间的依赖关系,完美兼容所有无平台依赖的 npm 资源包.
    4.官方框架MINA
    地址:@微信地址
    官方介绍:框架提供了自己的视图层描述语言 WXML 和 WXSS,以及基于 JavaScript 的逻辑层框架,并在视图层与逻辑层间提供了数据传输和事件系统,可以让开发者可以方便的聚焦于数据与逻辑上
    5. Tina.js
    Tina.js 开源框架地址: @Tina
    官方介绍:是一款轻巧的渐进式微信小程序框架,保留 MINA (微信小程序官方框架) 的大部分 API 设计;无论你有无小程序开发经验,都可以轻松过渡上手。
    6.weweb
    地址: @weweb
    官方介绍:weweb是一个兼容小程序语法的前端框架,你可以用小程序的写法,来写web应用。如果你已经有小程序了,通过它你可以将你的小程序运行在浏览器中。
    7:微信UI组件库 iView Weapp
    地址:@iView Weapp
    介绍:iView Weapp 提供了与 iView 一致的 UI 和尽可能相同的接口名称,大幅度降低了学习成本,是一套一套高质量的微信小程序 UI 组件库。
    6. ZanUI-WeApp –
    地址:@ZanUI
    官方介绍:ZanUI-WeApp结合了微信的视觉规范,为用户提供更加统一的使用感受。 包含 badge、btn、等共计 17 类组件或元素。
    9.Muse Ui
    地址:@Material风格Ui
    10.Vant
    地址:@Vant有赞出品
    11. YDUI touch
    地址:@YUDUI 基于vue2.x

    11.素材和资料

    1.OurSketch UI 素材库
    2. @包图网

    展开全文
  • 点上方计算机视觉联盟获取更多干货仅作学术分享,不代表本公众号立场,侵权联系删除转载于:作者丨努力的伍六七@知乎(已授权)来源丨https://zhuanlan.zhihu.com/p/39...

    点上方计算机视觉联盟获取更多干货

    仅作学术分享,不代表本公众号立场,侵权联系删除

    转载于:作者丨努力的伍六七@知乎(已授权)

    来源丨https://zhuanlan.zhihu.com/p/395255446

    编辑丨极市平台

    AI博士笔记系列推荐

    周志华《机器学习》手推笔记正式开源!可打印版本附pdf下载链接

    今天是正式工作后的第一年,打算做一件事,以后要持续记录自己的工作感想和生活状态。

    人这一辈子那么有限,作为一个普通人,也许我穷极一生也不会有什么大的成就可以让外人为我写下一个传记。但是我可以用自己的手记录下我这一生,吃过的苦,犯过的错,爱过的人,在和一些网友聊过之后,我发现我是芸芸众生中的一粒沙,那些自以为的经历其实在陌生的一个环境里也有人同样地经历着。

    希望我的文字可以激励那些人,希望我的错误可以警惕那些人。

    算法工程师必备的技能

    我的具体研究方向是计算机视觉算法工程师,众所周知,当我们在说起算法工程师的时候,大家一般都会把工程师说成调参侠,而那种天天看论文发论文的又被捧上天。其实不然,我想以我从业一年的角度来说,一个计算机视觉算法工程师需要具备的技能。

    算法工程师的工作内容首先是每日三问:业务KPI达标了吗?badcase解决了吗?CornerCase优化了吗?你所有的工作的目的就是去解决这三个问题。

    所以日常的工作内容是看看什么Case没有解决,制定优化目标,迭代,再看,再优化,不断循环往复。看上去是不是觉得算法工程师这个工作简单,枯燥,无聊?

    其实不然,因为我相信每一份工作都是有它枯燥简单的地方,大名鼎鼎的李飞飞,吴恩达这些数据科学家难道就没有做过调参的工作了?凡是不可以偏概全,我眼中的算法工程师要具备的技能点是这样的。

    能意识到数据的价值和用法

    顶尖的数据科学家肯定是会比一般人更理解数据的价值,以及做一个算法类的项目,需要用到什么样的数据,使用什么样的特征,有哪些需要考量的细节,在这个项目中的优化目标所关联的数据需求是什么。

    能做好高效合理的算法选型

    这一个我就是要打脸那些说算法工程师是调参侠的人了,你以为的调参侠是把一个学习率从0到1e-3挨个尝试,改改配置就行。

    实际上当接到一个新项目的时候,作为一个算法工程师是需要快速调研算法论文,并且制定算法优化方案的。并且很多时候这个子方向你是之前没有接触过,比如突然让你去从一个分类项目中去做一个跟踪项目,你需要在一周之内去调研业界的跟踪算法文章并理清楚跟踪算法的分类成绩,优缺点分析,核心思想分析,这一点没有论文积累是比较难的。

    优秀的算法工程师就是要具备这种快速选型并且抓重点,最后还能给出一个合理的算法选型。一般考虑的角度是(可部署性,精度指标,速度怎么样,有没有不支持的算子,是否开源等等)。话说在这一点上,没有人会傻到对一个新项目去复现没开源的SOTA论文。

    全流程的把控能力

    这方面算软实力,偏项目管理。正如我之前说的一个需求从定义,调研,方案制定,数据采集,标注,模型训练,Inference,SDK的集成。

    这一套流程都是要有时间节点的,不仅仅是项目负责人给的节点,算法工程师自身也要给自己定义节点并且高效把控。比如采集的安排要考虑采集方案的合理性,高效性。

    标注的时候要定义好标注边界,在你手里过的数据要要详细的记录,不然到时候数据找不到真是个很麻烦的事情。模型训练的时候从输入图片校对,target校对,inference代码,看着loss慢慢降下去了就可以安心喝个咖啡休息休息,这套流程其实就是一般的软件开发一样,不需要担心完不成的问题,但是要考虑风险,把控进度,注重细节,考验的是一个算法工程细不细的问题。

    代码功底

    算法工程师基本都是Python为主,python作为一种简单的语言使用起来当然非常方便。(不要用C++的高端来批判使用python的我们了,用C++写模型的训练那是憨憨或者是大神(yolo作者)干的事。

    python代码除了基础的操作,数字,字符串,类,装饰器等等,其他就是各种工具要用的数量,numpy, pandas, torch, opencv, multiprocess等,具体看你的研究方向了。

    在系统架构上,我觉得学习开源代码,比如PaddlePaddle和MMLab的代码都是非常好的学习资源。只不过我们所谓的架构是把一个算法项目的前处理,后处理,model_build,backbone,neck,head等等这些组件化的一种架构,但是我认为一些设计模式的思想还是和软件开发一样的,大量的工厂模式,观察者模式的思想在这些算法架构中都有体现。

    对于C++这方面,我之前也有执念要不要学CUDA,现在觉得不需要,我所认为的算法工程师的C++功底是要能高效完成逻辑上的处理,以及能够快速定位和调试遇到的bug,Cmake也要能看得懂,要有把算法模型部署上线的能力,对C++的基础类型,STL,指针,引用,多态,继承,命名空间,模板都熟悉。至于一些指令级优化,算子融合啥的,那都是专业的人去做了。

    算法优化能力

    这是个核心技能,一定要秉持着数据>算法>创新的思路去做一个项目,当优先级高的遇到了瓶颈了再去做下一个环节的事情。

    数据侧就是要不断去做badcase分析,按场景按类别去分好自己的训练数据,同样要对测试集,测试方案,测试指标要不断改进和优化。算法上则要考虑的是backbone的设计选择,neck的设计选择,head中target的设计选择,数据增强方案(这个比较重要,除了几何增强,还有像素级增强),更好的Pretrain模型,后处理的逻辑优化,大模型KD优化,类别不均衡的优化,难样本挖掘优化等。

    重点说下后处理,这个环节其实非常重要,很多时候基于逻辑的规则可以提高你模型一大半的性能,代码一般都简单,但是需要你去从数据反馈中挖掘这个规则怎么制定。创新性则是你的研究能力。

    研究能力

    很多论文其实价值不大,不是在于没有创新,而是在于这个创新都是为了“新”去做的,并且在那么一两个公开数据集上达到了比较好的效果就可以发论文来证明这个工作的价值。有时候实验了发现不好,就改一通网络,我已经看了很多篇加了deform_conv魔改网络的方案了。

    非常solid的文章当然值得尊重,比如之前看多目标跟踪的时候看完centertrack的时候,感觉这篇文章真的简单,温柔,有力量!不过我其实也不是吃不到葡萄说葡萄酸哈,能发顶会当然是大大的好哈。毕竟程序员往高了走,顶会顶刊,行业影响力是妥妥的硬通货!但是不过是工程还会做研究,调研论文,复现论文都是必备的技能,这块其实我觉得也是属于研究能力的范畴。

    数学能力

    很多人都说算法工程师对数学要求高,其实我不太清楚这个要求高具体指啥水平,但是起码公式推导是肯定要掌握的,不然很多论文也看不懂的,比如最近在看目标跟踪的文章,我感觉对数学水平还是有一定要求的,不然连傅里叶变换,卡尔曼滤波都整不明白,那真的没法玩,至于比这更高的数学要求,那就让那些数学家,研究员搞去吧。我反正是搞不了,爹妈就给我这脑袋,不是金刚钻我也不揽瓷器活。

    聚焦一个方向

    由点开始出发,算法一般就是推荐,搜索,NLP,CV,控制规划这些子方向。我本身是做CV的,所以对CV稍微比较了解一点,在CV里其实方向也非常多,传统图像处理,识别,检测,分割,单目标跟踪,多目标跟踪,人脸相关任务(属性,情绪,识别等等),GAN,显著性检测,异常检测,超分辨率,OCR,图像复原(去雾,去雨,去阴影,补全图像...),深度估计,ReID,SLAM,以及通用技术模型量化,剪枝,模型蒸馏,meta learning,迁移学习……。

    看到这应该明白为啥CV这么卷了吧,而且有些方向的门槛和技术栈比较高,比如SLAM,一般社招SLAM的话基本都是要有相关经验的,不然一个只做过分类任务的人去做SLAM估计会很吃力。

    我的想法就是要从一个小方向出发,在几个小方向内挖深,然后对其他大方向也触类旁通,这样才能有更好的进步。毕竟方向是不一样,能力需求还是差不多的。

    算法工程师的技术成长

    这一年下来,我感觉自己在技术上收获还是蛮多的,在这个大项目组里,检测,分割,分类,识别,关键点都有所接触,同事也非常nice,不同方向的同事平时也乐于分享自己技术栈里的工作和前沿文章。但是有点比较无奈的就是自己在算法创新这一点上还是有所欠缺。希望下一年的时间里,自己可以不断加强这方面的能力提升。

    算法能力

    当然是重中之重,leetcode不仅仅是招聘的筛选标准,也是锻炼一个人算法思维的重要手段。虽然不得不说hard的题一般都是有一些ACM的技巧性在里面,但是我认为一个成熟的算法工程师,一定是要有秒解easy题,对middle的题也要基本能cover得住。不然用技巧性,题目和业务不搭边这样的说法只能是掩盖自己思维能力不足的借口。这一点自己做得还不够好,还是要不断提高。

    PPT和文字能力

    对,没错,我要把这个放到技术篇。因为写PPT真的是个技术活!!!看了组内老大哥写的那PPT,技术逻辑条理分明,布局结构美观大气,讲PPT那个滔滔不绝的样子真是好莱坞大片一镜到底,绝了!!!作为一个有语言障碍的人,十分佩服,羡慕这样的人。

    不过我总结了大佬的PPT和演讲。做一个好的PPT,尤其是技术类的PPT,第一点就是要对自己的技术栈非常清晰,技术能力是绝对要过关。图和文字上,就是要以图代字,不能空洞,也不用浮夸,更不用像学校课件一样放一些动态特效。

    技术人员的PPT只要三个点:逻辑清晰,内容充实,一目了然。

    在美观性上,我下载了论坛和组内会议的优质PPT分析了下,所谓美观其实只要有个简约的背景,文字和图标最好一起用,多放一些柱状图,折线图等说明你的工作,时间线的汇报来个带箭头的图表述下。

    PPT这个东西,要积累模板,要理清逻辑,要整理材料,要抓住重点,要自信表达。

    希望自己和观众老爷们的PPT能力都可以不断进步,一时菜鸡不要紧,永远不行动才是最可怕的。

    前沿技术的跟进

    做算法这一点确实是和其他行业差异比较大的,算法的技术更迭特别快。

    要经常阅读前沿论文,也许不会直接拿来用,但是技术的优化细节是否有助于现有的项目这个其实还是需要考量一下的。

    不要用(不都是用老方法做项目)这样的说法来diss我,你要是这么想你就用10年的算法一直用,近3年的文章都不看,当有新的有价值的东西出来的时候等你知道了别人早就用上了,而且长时间不看论文。也会慢慢丧失对文献阅读和理解的能力,就和一个人长时间不写代码了就不会写代码一样。

    现有的技术方案总结

    仅仅根据自己比较了解的识别,检测,分割方面的一些总结。

    比较通用的算法侧优化是backbone(resnet resnext resnest efficientNet等大模型,mobilenet hrnet shufflenet等系列小模型),Neck(fpn, bi-fpn,panet等各种FPN层),比较实用的网络优化(deform_conv,se-net,cbam等attention结构),head优化(主要是target设计的方方面面。

    比如检测anchor-base和anchor-free之间的差异就是在于target和输出之间加了一个anchor作为桥梁),训练策略优化(主要集中在正负样本均衡,损失函数设计,比如过采样,欠采样,损失函数比如FocalLoss,triplet_loss,训练流程上比如OHEM等)。训练参数优化(CosineLearningRate等LR方面的优化,AutoAugment、Mixup、CutOut等数据增强方面的优化),预训练模型(基于无监督大数据Moco等, 大分辨率pretrain, 最差也得ImageNet-pretrain了,这块NLP方面做的比较好,CV这块我比较看好无监督或者半监督的方法),新方案(ViT,DETR等transformer在CV里的各种应用)。知识蒸馏,大模型蒸馏小模型是每一个公司都会要的技术栈,可看hinto的开山之作,当时后面还有各种多teacher,加权等方案。

    最后就是训练数据的干净,对不同场景都能cover到,对于训练参数中的具体数值就跑模型看效果。

    以上是我这一年经验所总结的算法优化方向,重点在于总结方向,具体细节方法太多了就不一一赘述。就这一年的工作经验看来,很多时候不同的算法方案之间很多时候效果上实际差距其实不大,这一点在我跑ATSS的实验的时候也更加确定。但是有些东西比如attention_block,transformer,KD等确实是硬通货。

    做一个算法工程师最重要的素质是在海量的算法方案中理解,吃透那些真正的干货,然后不断在实践中去验证,并总结吸收到自己的脑子里。

    后记:以后的时间啊,要做一个说书人,记录自己的所思所想,讲好一个故事,一个属于我的故事。在这个谁都不认识谁的网络世界里,输出我对这个世界的看法,激励和我曾经一样堕落的人,照亮和我一样前进的人,温暖和我一样坎坷的人。清除了所有的可能包含个人信息的痕迹,我想以后,在这个世界里,为自己,写一个故事,一个用一生来记录的故事。

    -------------------

    END

    --------------------

    我是王博Kings,985AI博士,华为云专家、CSDN博客专家(人工智能领域优质作者)。单个AI开源项目现在已经获得了2100+标星。现在在做AI相关内容,欢迎一起交流学习、生活各方面的问题,一起加油进步!

    我们微信交流群涵盖以下方向(但并不局限于以下内容):人工智能,计算机视觉,自然语言处理,目标检测,语义分割,自动驾驶,GAN,强化学习,SLAM,人脸检测,最新算法,最新论文,OpenCV,TensorFlow,PyTorch,开源框架,学习方法...

    这是我的私人微信,位置有限,一起进步!

    王博的公众号,欢迎关注,干货多多

    王博Kings的系列手推笔记(附高清PDF下载):

    博士笔记 | 周志华《机器学习》手推笔记第一章思维导图

    博士笔记 | 周志华《机器学习》手推笔记第二章“模型评估与选择”

    博士笔记 | 周志华《机器学习》手推笔记第三章“线性模型”

    博士笔记 | 周志华《机器学习》手推笔记第四章“决策树”

    博士笔记 | 周志华《机器学习》手推笔记第五章“神经网络”

    博士笔记 | 周志华《机器学习》手推笔记第六章支持向量机(上)

    博士笔记 | 周志华《机器学习》手推笔记第六章支持向量机(下)

    博士笔记 | 周志华《机器学习》手推笔记第七章贝叶斯分类(上)

    博士笔记 | 周志华《机器学习》手推笔记第七章贝叶斯分类(下)

    博士笔记 | 周志华《机器学习》手推笔记第八章集成学习(上)

    博士笔记 | 周志华《机器学习》手推笔记第八章集成学习(下)

    博士笔记 | 周志华《机器学习》手推笔记第九章聚类

    博士笔记 | 周志华《机器学习》手推笔记第十章降维与度量学习

    博士笔记 | 周志华《机器学习》手推笔记第十一章稀疏学习

    博士笔记 | 周志华《机器学习》手推笔记第十二章计算学习理论

    博士笔记 | 周志华《机器学习》手推笔记第十三章半监督学习

    博士笔记 | 周志华《机器学习》手推笔记第十四章概率图模型

    点分享

    点收藏

    点点赞

    点在看

    展开全文
  • 十:数据存储与队列任务(MongoDB与Rabbitmq) 在上面确定好使用的技术栈,包括框架,请求库,解析库后,接下来到数据存储,使用MongoDB会比较方便,首先,使用MongoDB做存储,简单实用,方便拓展爬虫的数据。...
  • 计算机视觉任务——————计算机视觉,即Computer Vision,简称 CV,是指用计算机实现人的视觉功能—对客观世界的三维场景的感知、识别和理解。目前,计算机视觉仍然是深度学习中最热门的研究领域之一,其主要包含...
  • 计算机视觉在特斯拉

    千次阅读 2020-08-06 11:01:19
    难得的,特斯拉AI部门老大Andrej Karpathy 在PyTorch Devcon 19 上做了一个技术演讲,包括AutoPilot 和Smart Summon等,本文是对这个演讲的详细剖析,可以一窥这个全球市值最高的汽车科技公司的内部AI技术栈。...
  • 最近在邮件的文章推送中,发现了一篇自己很感兴趣的文章,介绍的是有关五种计算机视觉技术的科普和简介,所以转载保存,分享一下。 转载自:https://mp.weixin.qq.com/s/FdM_w2SG7SmjJmNg8y1c4Q 摘要: 本文主要...
  • 回顾整个秋招,一方面,作为自动化转到计算机的半吊子,在算法岗竞争这么激烈的情况下还能拿到几个不错的 offer,真是感到有太多不易但又有几分幸运。另一方面,丰富的面试经历也让我充分意识到了自己的不足,接下来...
  • 计算机视觉算法岗面经】“吐血”整理:2019秋招资料 //2018/09/28 当初开始面试时就想着,以后我一定要写一篇面经,现在是来还愿的时候了。 首先,嗯,非常感谢牛客平台,提供了很多信息啊。而且去年11月...
  • 了解一些常规的传统视觉算法(图像过滤、形态学操作、几何变换、颜色转换、图像绘制、直方图、形状分析、运动分析、特征检测等)和专用库(Opencv),实践几个小项目,比如可以用霍夫圆变换检测高尔夫球的数量等;...
  • 听说学习人工智能,总是要或多或少地要了解计算机视觉?尤其是深度学习浪潮即将进入第二个十年,其在技术上的快速发展以及设备能力的改善,帮助了CV工程师在各类项目落地和模型搭建上的应用性能和成本...
  • 是目标跟踪是计算机视觉研究领域的热点之一,并得到广泛应用。相机的跟踪对焦、无人机的自动目标跟踪等都需要用到了目标跟踪技术。另外还有特定物体的跟踪,比如人体跟踪,交通监控系统中的车辆跟踪,人脸跟踪和...
  • 本文为 AI 研习社编译的技术博客,原标题: The 5 Computer Vision Techniques That Will Change How You See The World 作者 |James Le 翻译 |jinlilei 校对 |酱番梨 整理| 菠萝妹 原文链接: ...
  • 听说学习人工智能,总是要或多或少地要了解计算机视觉?尤其是深度学习浪潮即将进入第二个十年,其在技术上的快速发展以及设备能力的改善,帮助了CV工程师在各类项目落地和模型搭建上的应用性能和成本...
  • 但是跳出互联网公司的范围,真的就没有别的公司需要计算机视觉技术了吗?我不是在说做通讯、电子行业的公司,而是更大范围的跨越,一些比如法律、知识产权、教育等垂直领域的头部公司,他们同样有很多业务可以用到...
  • 1、前言 RTC(Real-time Communications),实时通信,是一个正在兴起的风口行业,经过短短一年的时间,已经有很多玩家进入...那么 RTC 技术栈究竟包含哪些技术,我们会提供一系列文章,来解读 RTC 技术栈。本文是...
  • 后端技术栈科普——springboot一家

    千次阅读 2020-10-03 14:23:55
    后端技术栈科普 前言 由于我毕业设计做基于Java的在线小说发布系统,所以前后端都有涉及。虽然以前端为主,但是后端的科普还是需要的。好久没碰后端了,对后端有些生疏了。 参考文章:Java开源项目之「自学编程之路...
  • 「您好,我之前一直做2D视觉,请问3D视觉如何开始入门呀?三维重建、相机标定、立体匹配、结构光、点云后处理,这些我今后的工作可能都会涉及,可是我目前还一窍不通,您有什么比较好的方法适合快速...
  • 计算机视觉是当前最热门的研究之一,是一门多学科交叉的研究,涵盖计算机科学(图形学、算法、理论研究等)、数学(信息检索、机器学习)、工程(机器人、NLP等)、生物学(神经系统科学)和心理学(认知科学)。...
  • 计算机视觉是当前最热门的研究之一,是一门多学科交叉的研究,涵盖计算机科学(图形学、算法、理论研究等)、数学(信息检索、机器学习)、工程(机器人、NLP等)、生物学(神经系统科学)和心理学(认知科学)。...
  • 点击上方“3DCVer”,选择“星标”干货第一时间送达计算机视觉毕业后找不到工作怎么办?AI专业毕业后是不是找不到工作?近日,有知乎网友提问,获得了70万阅读量。我们来看看他的履历:本人目...
  • 摩酷实验室是阿里巴巴达摩院和优酷联合成立的新团队,旨在研究世界级的前沿Media AI技术,驱动在全媒体领域的持续产品模式创新,进而深耕沉淀为可规模化的生产力。团队氛围融洽,核心成员来自...
  • 机器学习的技术栈及应用实例脑洞

    千次阅读 2017-05-14 01:15:54
    机器学习技术栈 职位 项目实例 1. 机器学习技术栈去知乎上可以搜到很多推荐的学习路线,问题就是太多了,我就先列出一些必需的知识和项目方向,学习还是要一步一步积累的。需要的基础技能: Various level of math, ...
  • 别人的【计算机视觉算法岗面经】“吐血”整理:2019秋招面经 相关链接:【计算机视觉算法岗面经】“吐血”整理:2019秋招资料 /...
  • 点上方蓝字计算机视觉联盟获取更多干货 在右上方 ··· 设为星标 ★,与你不见不散 感谢联盟成员翻译总结笔记 正文共:14646 字 24 图 预计阅读时间: 37 分钟 本文带来的是近期热度最高的10篇计算机视觉...
  • 机械臂控制入门技术栈分享1.前言2.机器人控制入门技术栈2.1.空间描述和变化2.2.运动学分析2.3.动力学建模2.4.控制入门学习3.进阶部分3.1.机器人参数辨识3.2.非线性控制3.3.现代机器人描述方法:指数坐标4.总结 1....
  • 过去几年来,计算机视觉研究主要集中在卷积神经网络(常简称为 ConvNet 或 CNN)上。 计算机图形学openGL. --关于程序员成长的一点思考- https://blog.csdn.net/dc_726/article/details/7265927  计算机底层(C...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 4,743
精华内容 1,897
关键字:

计算机视觉技术栈