AI 视界引擎
文章
专栏
问答
AI向量数据库大模型数据中台
点击下方卡片，关注「AI视界引擎」公众号( 添加时备注：方向+学校/公司+昵称/姓名 )通过远程光电容积脉搏波
8
0
0
0
AI向量数据库大模型数据中台
备注好友：方向-学校/公司-姓名/昵称【AIGC 先锋科技】交流群在集成电路制造领域，纳米级晶圆缺陷的检测与
11
0
0
0
AI大模型机器学习算法
点击下方卡片，关注「AI视界引擎」公众号( 添加时备注：方向+学校/公司+昵称/姓名 )前景分割是计算机视觉中
15
0
0
0
AI大模型机器学习算法
点击下方卡片，关注「AI视界引擎」公众号( 添加时备注：方向+学校/公司+昵称/姓名 )卷积神经网络（CNNs
15
0
0
0
AI向量数据库大模型机器学习
点击下方卡片，关注「AI视界引擎」公众号( 添加时备注：方向+学校/公司+昵称/姓名 )Transformer
148
0
0
0
32
0
0
0
AI大模型图像处理机器学习
点击下方卡片，关注「AI视界引擎」公众号( 添加时备注：方向+学校/公司+昵称/姓名 )基于深度学习的单图像超
14
0
0
0
AI大模型机器学习算法
点击下方卡片，关注「AI视界引擎」公众号( 添加时备注：方向+学校/公司+昵称/姓名 )医学影像分割，特别是在
13
0
0
0
67
0
0
0
AI大模型向量数据库云通信
备注好友：方向-学校/公司-姓名/昵称【AIGC 先锋科技】交流群思维链（CoT） Prompt 已成为增强
10
0
0
0
AI机器学习大数据向量数据库
点击下方卡片，关注「AI视界引擎」公众号( 添加时备注：方向+学校/公司+昵称/姓名 )本文对人工智能领域的研究进展进行了综述，涵盖了机器学习、深度学习、自然语言处理和计算机视觉等关键主题。通过对现有文献的深入分析，总结了当前研究的热点问题和发展趋势，并探讨了未来研究方向。太阳纤维是太阳上观察到的最显著特征之一，它们的演化与各种太阳活动密切相关，如耀斑和日冕物质抛射。实时自动识别太阳纤维是管理大量
9
0
0
0
AI大模型机器学习算法
点击下方卡片，关注「AI视界引擎」公众号( 添加时备注：方向+学校/公司+昵称/姓名 )学习图像压缩（LIC）在建模图像内容分布、以实现压缩效果方面探索了各种架构，如卷积神经网络（CNNs）和 Transformer 。然而，在保持低计算复杂度（即参数、FLOPs和延迟）的同时实现高比率失真性能仍然具有挑战性。在本文中，作者提出了一种混合卷积和状态空间模型（SSMs）的图像压缩框架，称为CMamb
12
0
0
0
AI大模型机器学习算法
点击下方卡片，关注「AI视界引擎」公众号( 添加时备注：方向+学校/公司+昵称/姓名 )分段任意模型2（SAM 2）是一种以 Prompt 驱动的基座模型，它将SAM扩展到图像和视频领域，与前辈相比，SAM 2在零样本性能上表现出色。基于SAM在医学图像分割方面的成功，SAM 2展现了进一步发展的巨大潜力。然而，与SAM类似，SAM 2受限于其二元 Mask 输出、无法推理语义标签以及依赖于精确
37
0
0
0
AI大模型向量数据库机器学习
点击下方卡片，关注「AI视界引擎」公众号( 添加时备注：方向+学校/公司+昵称/姓名 )基于注意力的方法在模拟球形皮层表面的长距离依赖关系方面表现出卓越的性能，超越了传统的几何深度学习（GDL）模型。然而，它们大量的推理时间和高的内存需求为将它们应用于有限计算资源的大型数据集带来了挑战。受到计算机视觉中状态空间模型的启发，作者引入了无注意力的视觉Mamba（Vim）到球形表面，提出了一种领域无关的
12
0
0
0
AI大模型机器学习数据库
ADASLaboratory点击上方蓝字关注
智驾实验室加入【智驾实验室】交流群，获取更多内容和资料本文提出了一种用于交通物体分割的Camera-LiDAR融合Transformer（CLFT）模型，该模型利用视觉Transformer融合摄像头和激光雷达数据。基于利用自注意力机制的视觉Transformer方法，作者扩展了分割能力，并增加了额外的分类选项，以应对包括自行车骑行者、交通标志和行人等
17
0
0
0
13
0
0
0
AI向量数据库大模型云通信
点击下方卡片，关注「AI视界引擎」公众号( 添加时备注：方向+学校/公司+昵称/姓名 )视频中的下一帧预测对于自动驾驶、目标跟踪和运动预测等应用至关重要。下一帧预测的主要挑战在于有效地从先前的视频序列中捕获和处理空间和时间信息。以擅长处理序列数据著称的Transformer架构，在这一领域取得了显著的进展。然而，基于Transformer的下一帧预测模型存在一些显著问题：（a）多头自注意力（MHS
8
0
0
0
AI大模型向量数据库机器学习
点击下方卡片，关注「AI视界引擎」公众号( 添加时备注：方向+学校/公司+昵称/姓名 )视频中的下一帧预测对于自动驾驶、目标跟踪和运动预测等应用至关重要。下一帧预测的主要挑战在于有效地从先前的视频序列中捕获和处理空间和时间信息。以擅长处理序列数据著称的Transformer架构，在这一领域取得了显著的进展。然而，基于Transformer的下一帧预测模型存在一些显著问题：（a）多头自注意力（MHS
7
0
0
0
AI大模型向量数据库机器学习
点击下方卡片，关注「AI视界引擎」公众号( 添加时备注：方向+学校/公司+昵称/姓名 )Mamba凭借其强大的全局建模能力和线性计算复杂度，在视觉任务中表现出色，在超光谱图像超分辨率（HSISR）领域具有巨大的潜力。然而，在HSISR中，Mamba面临着挑战，因为将图像转换为1D序列时忽略了相邻像素之间的时空结构关系，其性能高度敏感于输入顺序，这影响了空间和光谱细节的恢复。在本文中，作者提出了HS
26
0
0
0
AI大模型机器学习数据库
点击下方卡片，关注「AI视界引擎」公众号( 添加时备注：方向+学校/公司+昵称/姓名 )通过CT扫描预测骨密度以估算T分数至关重要，相较于传统的X射线骨密度测试等方法，它能够更精确地评估骨骼健康，因为后者缺乏空间分辨率和检测局部变化的能力。然而，基于CT的预测面临两大挑战：一是基于 Transformer 架构的高计算复杂度，这限制了其在便携式和临床环境中的应用；二是现实世界医院数据的分布不平衡、
15
0
0
0