深度学习

MICCAI 2025 IUGC 图像超声关键点检测及超声参数测量挑战赛传统的产程监测方法主要采用数字阴道检查，世界卫生组织建议在第一产程期间每4小时进行一次。然而，大量证据表明，通过阴道检查评估胎头位置和胎位的准确性有限，且主观性较强，尤其是在头颅血肿妨碍触诊颅缝和囟门时。此外，反复检查可能促使微生物从阴道向上迁移至宫颈和子宫，从而带来潜在的新生儿感染风险。

AI街潜水的八角

基于深度学习神经网络的验证码识别系统第一步：建立验证码数据库目前演示的是四位验证码，里面所包含的字符类别有62种第二步：搭建模型本文利用一个简单的cnn模型，进行端到端识别：

AI街潜水的八角

火焰烟雾检测和识别3：基于深度学习YOLO26神经网络实现火焰烟雾检测和识别(含训练代码、数据集和GUI交互界面）基于深度学习YOLO26神经网络实现火焰烟雾检测和识别，其能识别检测出2种火焰烟雾检测：names: ['fire','smoke']

yolo26 部署瑞芯微rk3588、RKNN部署工程难度小、模型推理速度快2026年1月15日yolo26 开源了，基于对yolo部署尚且还有的些许热情，还是继续部署搞一下。从2020年yolov5开始，到2025年的yolov13，再到今年2026年的yolo26，用过或没用过每个版本都部署过。自己实际使用的v5、v6、v7、v8，加上这两年没有怎么做单目2D目标检测，从v9及其之后的版本就属于兴趣驱使的去学习了解。

数据挖掘方向 CCF 期刊推荐（数据库 / 数据挖掘 / 内容检索）定位建议：定位建议：

木头程序员

持续学习（Continual/Lifelong Learning）综述在人工智能技术向实际场景深度渗透的过程中，传统静态训练模式的局限性日益凸显。多数深度学习模型依赖固定数据集一次性训练完成，面对动态环境中的新任务、新数据时，往往会出现“灾难性遗忘”——更新参数以适配新任务的同时，丢失已掌握的旧任务知识。持续学习（Continual/Lifelong Learning）作为解决这一问题的核心技术，旨在让模型具备类似人类的终身学习能力，在持续接收新信息、学习新任务的过程中，高效保留已有知识并实现知识迁移，为机器人、自动驾驶等长期运行系统提供关键技术支撑。本文将系统梳理持续学习

程途拾光158

模型微调 vs 上下文学习的成本效益对比随着大语言模型（LLM）技术的快速迭代，企业和开发者在将预训练模型适配下游任务时，面临着两种主流技术路径的选择：模型微调（Fine-tuning）与上下文学习（In-context Learning, ICL）。模型微调通过调整预训练模型参数以适配特定任务，上下文学习则无需改动模型参数，仅通过构造提示词注入任务示例引导模型完成任务。

中國龍在廣州

35天，成了AI 模型的斩杀线上个月你刚花20美元订阅了ChatGPT Plus，转头这个月朋友圈就被「Claude秒杀一切」刷屏，再过一个月可能又换成「Gemini吊打一切」。

人脸识别（吴恩达深度学习笔记）目录1.人脸识别（1）人脸验证与人脸识别2.一次学习（One-shot learning）（1）一次学习问题

基于深度学习的车辆分类方法研究与实现-填补国内新能源车型和品牌识别空白随着 ITS、智慧城市和自动驾驶的发展，“车是什么车”这件事越来越重要。车辆自动识别与分类不仅要能分清品牌，还要能判断车型（轿车/SUV/MPV 等）。这些能力在交通流量分析、电子警察违法取证、停车场管理、车辆检索等场景里都能直接落地。

谢的2元王国

这是跑通实用rag的日志记录重点关注一点句子向量化模型的选择以及召回结果后重排交叉编码的精进"E:\python project 1\.venv1\Scripts\python.exe" "E:\python project 1\销售技巧向量化知识库+检索\main.py" 📂 开始顺序执行 part1 → part4 脚本

AI Agent的长期记忆革命：基于向量遗忘曲线的动态压缩系统摘要：本文揭秘AI Agent记忆机制的工程化突破，通过融合向量检索与压缩感知算法，实现百万级对话历史的秒级检索与智能遗忘。创新的时间-语义双衰减记忆模型使Agent在200轮长对话中上下文保持率提升89%，记忆存储成本降低76%， hallucination下降62%。提供完整的记忆编码、检索、压缩、遗忘全链路代码，已在智能客服场景支持单Agent日均处理5000+轮对话，记忆准确率保持在94%以上。

YOLO深度学习(计算机视觉)—毕设笔记1（介绍篇）感谢来自b站up主：我喜欢吃小熊饼干的知识分享【深度学习】中的——【计算机视觉方向】把网上的大量的现有数据集——> 经过我们写得代码训练成模型——> 之后的任意测试数据都可被这模型输出我们要的结果

GALE Phase 1 Chinese Broadcast News Parallel Text - Part 1数据集介绍，官网编号LDC2007T23GALE Phase 1 Chinese Broadcast News Parallel Text - Part 1（LDC2007T23）是 LDC 于 2007 年面向 DARPA GALE 项目发布的中 - 英平行文本语料，核心为中文广播新闻转写文本及其人工英译对，适配机器翻译（MT）训练与评测，是 GALE Phase 1 中文广播新闻平行文本的首期子库。以下是详细介绍：

AI人工智能+

表格识别技术：实现复杂表格内容的精准解析与表格结构的版面还原，推动档案管理从数字化存储向智能化服务转型档案数字化进程中，财务报表、统计台账、人事登记表等包含大量复杂表格的资料，一直是成本最高、效率最低的“硬骨头”。传统OCR识别结果支离破碎，表格结构尽失，导致大量数字化档案沦为不可检索、不可分析的“死数据”。如何突破这一瓶颈，释放档案深层价值？一种专注于复杂表格内容的精准解析与表格结构的版面还原的智能表格识别技术，正重新定义档案数字化的质量标准。

大模型面试题75：讲解一下GRPO的数据回放在GRPO（群体相对策略优化）训练LLM的过程中，数据回放就像学生的错题本+好题本——把之前训练中“表现好的样本”存起来，后续训练时再拿出来反复用，核心目的是防止模型“学了新的，忘了旧的”，同时还能节省计算资源。咱们还是从小白能懂的基础入手，一步步拆明白。

AIGC技术与进展（1）AIGC技术与进展（1）一、AIGC的发展历程二、AIGC的核心技术三、AIGC的重要进展#智能体搭建#多智能体#VLA#大模型#AI

计算机视觉常用指标（Metrics）速查与解释（持续更新）适用范围：分类 / 检测 / 分割 / 跟踪 / 检索 / 图像复原 / 生成评估 / OCR 说明：不同论文/代码实现对细节（阈值、插值方式、忽略类、边界处理等）可能略有差异，使用前建议核对对应 benchmark 的官方实现。

大模型面试题:有以下哪些方式可以在 prompt 中插入指令？我整理好的1000+面试题，请看大模型面试题总结-CSDN博客或者https://gitee.com/lilitom/ai_interview_questions/blob/master/README.md

大模型面试题76：强化学习中on-policy和off-policy的区别是什么？要搞懂这两个概念，咱们先记住一个核心区别：on-policy = 边用边学，学的策略和用的策略是同一个； off-policy = 学用分离，学的策略和用的策略不是同一个。