深度学习

哥布林学者

吴恩达深度学习课程五：自然语言处理第二周：词嵌入课后习题与代码实践此分类用于记录吴恩达深度学习课程的学习笔记。课程相关信息链接如下：本篇为第五课第二周的课后习题和代码实践部分。

HyperAI超神经

加州大学构建基于全连接神经网络的片上光谱仪，在芯片级尺寸上实现8纳米的光谱分辨率如今，智能手机摄像头已进入亿级像素时代，能够捕捉细节丰富的图像，却依然无法像专业光谱仪那样解析物质的化学成分，例如实现水果糖度的无损检测、皮肤健康评估或环境中微量污染物的识别。这一能力差距的关键，在于手机等设备缺少一个能够精确读取物质独特「光谱指纹」的核心部件——光谱仪。

杭州杭州杭州

李沐动手学深度学习笔记（4）---物体检测基础图像分类任务中，我们假设图像中只有一个主要物体对象，我们只关注如何识别其类别。然而，很多时候图像里有多个我们感兴趣的目标，我们不仅想知道它们的类别，还想得到它们在图像中的具体位置。在计算机视觉里，我们将这类任务称为目标检测（object detection）或目标识别（object recognition）。

学习通过皮层发育连续性迁移实现全生命周期脑解剖对应/文献速递-基于人工智能的医学影像技术2026.1.26本文提出了一种新颖的皮层发育连续性（CDC）迁移学习框架，通过利用大脑不同年龄组间的发育连续性，在数据量最大的年龄组（成人组）上训练模型，并沿皮层发育轨迹逐步迁移到其他年龄组，有效解决了皮层折叠模式个体差异大、不同神经发育阶段异质性强以及早期发育阶段数据稀缺等挑战，实现了跨生命周期大脑精细解剖结构的鲁棒对应，并能有效捕捉群体特异性模式和保留个体差异。

狮子座明仔

Plan-and-Act：让AI智能体学会“先想后做“📖 论文标题：Plan-and-Act: Improving Planning of Agents for Long-Horizon Tasks 👥 作者：Lutfi Eren Erdogan, Zhengyuan Yang, Linjie Li, Shuohang Wang, Ahmed Awadallah, Chenguang Zhu, Liangke Gui, Lijuan Wang 🏫 机构：Microsoft 📅 发表：arXiv 2503.09572 🔗 论文链接：https://a

基于迁移学习的图像风格增强器📝分享的所有项目源码均包含（前端+后台+数据库），可做毕业设计或课程设计，欢迎留言分享问题，交流经验，白嫖勿扰🍅更多优质项目👇🏻👇🏻可评论留言获取！！

[数学建模从入门到入土] 评价模型知乎：https://www.zhihu.com/people/byzh_rcCSDN：https://blog.csdn.net/qq_54636039

【深度学习】语义分割损失函数之SemScal LossSemScalLoss，在论文《SurroundOcc: Multi-Camera 3D Occupancy Prediction for Autonomous Driving》中使用到。它可以用来在数据不平衡的情况下，对语义分割中的recall、precision、specificity中进行控制。

YOLOv26_数字万用表端口连接检测与识别_基于深度学习的自动识别系统在电子工程实验室中，数字万用表是最常用的测量工具之一。然而，手动记录和整理测量数据不仅耗时费力，还容易出错。特别是在复杂的电路测试场景下，工程师需要同时监控多个测量点的电压、电流等参数，传统的手动记录方式已经无法满足高效、准确的数据采集需求。

新缸中之脑

微调 BERT 实现命名实体识别命名实体识别（NER）是自然语言处理（NLP）中的一项基本任务，涉及识别和分类文本中的命名实体到预定义的类别，如人名、组织、地点等。NER 有广泛的应用，从改进搜索引擎结果到为聊天机器人提供动力和从文档中提取关键信息。

逄逄不是胖胖

《动手学深度学习》-52文本预处理实现原始文本 → 规范化文本 → token 序列 → 词表（token↔id） → 数字序列（id 序列）核心：构建词表（Vocab）

【OpenAI】claude-opus-4-20250514版本功能详解与应用示例获取OpenAI API KEY的两种方式，开发者必看全方面教程！claude-opus-4-20250514版本是一款功能强大、性能卓越的多模态智能语言模型，广泛应用于文本生成、多模态理解、多语言翻译等领域。本文将详细介绍其核心功能和技术优势，并通过具体应用举例帮助理解。

YOLO12全面解析与安卓平台NCNN部署实战：高效注意力机制的落地实践（待更新）提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档提示：以下是本篇文章正文内容，下面案例可供参考

AI街潜水的八角

基于YOLO26苹果水果缺陷检测系统1：苹果水果缺陷检测数据集说明(含下载链接)本篇博客是《基于YOLO26苹果缺陷检测系统》系列文章之《苹果缺陷检测数据集说明(含下载链接)》，网上有很多苹果缺陷检测数据集的数据，百度一下，一搜一大堆，但质量参差不齐，很多不能用，即使一个一个的看也会浪费很多时间才有可能辨别出有用的数据集。为了方便你我他，本博客将分享一个由我自己整理的苹果缺陷检测数据，可直接应用到目标检测算法比如yolo系列中，当然也可以应用到分类模型中，数据集总共有8978张图片，并包含它的高质量标注文件。数据质量非常高，甚至可应用到工业落地的项目中。

线性回归实战（一）：房价预测数据集入库KingbaseES，表结构设计——别让“脏数据”毁掉你精心调优的模型大家好，我是那个总在模型上线前夜发现“面积字段有负值”、又在 KES 里追查一条异常样本血缘的老架构。今天不讲算法，也不谈梯度——我们回到 AI 工程最朴素也最关键的起点：

MM 2025 | 时间序列（Time Series）论文总结【预测，分类，异常检测，医疗时序】ACM MM 2025于2025年10月27号-31号在爱尔兰都柏林（Dublin, Ireland）举行

AI人工智能+

基于深度学习与计算机视觉的高精度表格识别技术，精准识别复杂表格结构，自动输出结构化数据在传统财务工作中，面对成百上千份格式各异的银行对账单、资产负债表和税务申报表，人工录入不仅效率低下，还极易引入错误。如何从非结构化或半结构化的纸质/电子文档中快速、准确地提取表格数据，成为企业财务数字化转型的关键瓶颈。中科逸视基于深度学习与计算机视觉的高精度表格识别技术，为财务报表自动化处理平台提供了表格识别方案——让复杂表格“看得懂、理得清、用得上”。

3Blue1Brown-深度学习之反向传播算法机器学习（Machine Learning）系列本文是在看了 3Blue1Brown-深度学习之人工神经网络视频后的学习笔记，重在理解，不涉及数学公式。3B1B的“深度学习”系列视频用可视化动画和深入浅出的讲解让我们看清人工神经网络的本质。

SegEarth-OV系列（二）：面向遥感图像的无训练开放词汇分割SegEarth-OV2相比于SegEarth-OV的主要区别是，将开放词汇的遥感影像语义分割应用到SAR图像上，可同时对光学和SAR影像进行语义分割。