用高斯與勞侖茲卷積分析核能級(jí)寬度【摘要】：正 一定能量的質(zhì)子轟擊鋁靶,可產(chǎn)生共振反應(yīng)而形成~(28)Si的激發(fā)態(tài),其退激時(shí)放出的γ射線是勞侖茲分布訊號(hào),它反映激發(fā)態(tài)的能級(jí)總寬度Γ。

基于盲反卷積算法的核能譜獲取系統(tǒng)【摘要】：核能譜獲取系統(tǒng)是核物理實(shí)驗(yàn)裝置中最主要的部分之一,它的精確度影響了后續(xù)的實(shí)驗(yàn)進(jìn)程。本文將盲目反卷積算法引入到核能譜的測量中,并設(shè)計(jì)了整套的

工信部：預(yù)計(jì)新能源汽車今年將保持高速發(fā)展態(tài)勢 一季度累計(jì)產(chǎn)銷同比均增長1.4倍　　海報(bào)新聞?dòng)浾邉㈣幢本﹫?bào)道 　　4月19日，國新辦召開新聞發(fā)布會(huì)。工業(yè)和信息化部新聞發(fā)言人、運(yùn)行監(jiān)測

視覺 Transformer 研究的關(guān)鍵問題: 現(xiàn)狀及展望作者：田永林1， 2， ， 王雨桐2， ， 王建功2， ， 王曉2， 3， ， 王飛躍2， 3，／ 導(dǎo)讀 ／深度神經(jīng)網(wǎng)絡(luò)（

一文了解CNN可視化技術(shù)總結(jié)之卷積核可視化導(dǎo)言: 上篇文章我們介紹了特征圖可視化方法,對(duì)于特征圖可視化的方法(或者說原理)比較容易理解,即把feature map從特征空間通過

一文了解CNN可視化技術(shù)總結(jié)之卷積核可視化導(dǎo)言: 上篇文章我們介紹了特征圖可視化方法,對(duì)于特征圖可視化的方法(或者說原理)比較容易理解,即把feature map從特征空間通過

一文了解CNN可視化技術(shù)總結(jié)之特征圖可視化導(dǎo)言: 在CV很多方向所謂改進(jìn)模型,改進(jìn)網(wǎng)絡(luò),都是在按照人的主觀思想在改進(jìn),常常在說CNN的本質(zhì)是提取特征,但并不知道它提取了什么特征

一文了解CNN可視化技術(shù)總結(jié)之特征圖可視化導(dǎo)言: 在CV很多方向所謂改進(jìn)模型,改進(jìn)網(wǎng)絡(luò),都是在按照人的主觀思想在改進(jìn),常常在說CNN的本質(zhì)是提取特征,但并不知道它提取了什么特征

技術(shù)文章：目標(biāo)檢測--CornerNet的缺陷前言:目標(biāo)檢測的預(yù)測框經(jīng)過了滑動(dòng)窗口、selective search、RPN、anchor based等一系列生成方法的發(fā)展,到18

技術(shù)文章：目標(biāo)檢測--CornerNet的缺陷前言:目標(biāo)檢測的預(yù)測框經(jīng)過了滑動(dòng)窗口、selective search、RPN、anchor based等一系列生成方法的發(fā)展,到18

三個(gè)模型對(duì)CNN結(jié)構(gòu)演變進(jìn)行總結(jié)導(dǎo)言: 自2012年AlexNet在ImageNet比賽上獲得冠軍,卷積神經(jīng)網(wǎng)絡(luò)逐漸取代傳統(tǒng)算法成為了處理計(jì)算機(jī)視覺任務(wù)的核心。 在這幾年,研究

三個(gè)模型對(duì)CNN結(jié)構(gòu)演變進(jìn)行總結(jié)導(dǎo)言: 自2012年AlexNet在ImageNet比賽上獲得冠軍,卷積神經(jīng)網(wǎng)絡(luò)逐漸取代傳統(tǒng)算法成為了處理計(jì)算機(jī)視覺任務(wù)的核心。 在這幾年,研究

一文了解計(jì)算機(jī)視覺中的特征金字塔技術(shù)總結(jié)前言:特征金字塔是目前用于目標(biāo)檢測、語義分割、行為識(shí)別等方面比較重要的一個(gè)部分,對(duì)于提高模型性能具有非常好的表現(xiàn)。不同大小的目標(biāo)都經(jīng)過了相同

一文了解計(jì)算機(jī)視覺中的特征金字塔技術(shù)總結(jié)前言:特征金字塔是目前用于目標(biāo)檢測、語義分割、行為識(shí)別等方面比較重要的一個(gè)部分,對(duì)于提高模型性能具有非常好的表現(xiàn)。不同大小的目標(biāo)都經(jīng)過了相同

行人重識(shí)別中的第一個(gè)anchor-free模型前言:本文針對(duì)anchor-free模型用于行人搜索中會(huì)出現(xiàn)三個(gè)不對(duì)齊問題:Scale misalignment,Region mis

行人重識(shí)別中的第一個(gè)anchor-free模型前言:本文針對(duì)anchor-free模型用于行人搜索中會(huì)出現(xiàn)三個(gè)不對(duì)齊問題:Scale misalignment,Region mis

技術(shù)文章：一個(gè)高效的金字塔切分注意力模塊PSA前言:前面分享了一篇《繼SE,CBAM后的一種新的注意力機(jī)制Coordinate Attention》,其出發(fā)點(diǎn)在于SE只引入了通道注

技術(shù)文章：一個(gè)高效的金字塔切分注意力模塊PSA前言:前面分享了一篇《繼SE,CBAM后的一種新的注意力機(jī)制Coordinate Attention》,其出發(fā)點(diǎn)在于SE只引入了通道注

工業(yè)生產(chǎn)中的表面缺陷檢測表面缺陷檢測在工業(yè)生產(chǎn)中起著非常重要的作用，基于機(jī)器視覺的表面缺陷檢測可以極大的提升工業(yè)生產(chǎn)的效率。隨著近年來深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)在

工業(yè)生產(chǎn)中的表面缺陷檢測表面缺陷檢測在工業(yè)生產(chǎn)中起著非常重要的作用，基于機(jī)器視覺的表面缺陷檢測可以極大的提升工業(yè)生產(chǎn)的效率。隨著近年來深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)在

卷積神經(jīng)網(wǎng)絡(luò)：解決圖像分類、語義分割或機(jī)器翻譯問題金翅導(dǎo)讀卷積神經(jīng)網(wǎng)絡(luò)已成功應(yīng)用于解決諸如圖像分類語義分割或機(jī)器翻譯等問題，其中解決的這些問題的基礎(chǔ)數(shù)據(jù)表示具有網(wǎng)格狀結(jié)構(gòu)。但是，目

卷積神經(jīng)網(wǎng)絡(luò)：解決圖像分類、語義分割或機(jī)器翻譯問題金翅導(dǎo)讀卷積神經(jīng)網(wǎng)絡(luò)已成功應(yīng)用于解決諸如圖像分類語義分割或機(jī)器翻譯等問題，其中解決的這些問題的基礎(chǔ)數(shù)據(jù)表示具有網(wǎng)格狀結(jié)構(gòu)。但是，目

一文讓你了解卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種前饋神經(jīng)網(wǎng)絡(luò)，它的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周圍單元，對(duì)于大

一文讓你了解卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種前饋神經(jīng)網(wǎng)絡(luò)，它的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周圍單元，對(duì)于大

語義分割與實(shí)例分割的區(qū)別/ 導(dǎo)讀 /以人工智能為導(dǎo)向的現(xiàn)代計(jì)算機(jī)視覺技術(shù),在過去的十年中發(fā)生了巨大的變化。今天,它被廣泛用于圖像分類、人臉識(shí)別、物體檢測、視頻分析以及機(jī)器人及自動(dòng)駕