-
基于數(shù)據(jù)驅(qū)動的圖像分辨率提升理論和技術(shù)綜述
在大數(shù)據(jù)與深度學(xué)習(xí)浪潮的推動下，數(shù)據(jù)驅(qū)動模型已全面取代傳統(tǒng)規(guī)則式算法，成為提升圖像分辨率的核心引擎。本文綜述了數(shù)據(jù)驅(qū)動模型在圖像分辨率提升方面的應(yīng)用，涵蓋了三維重建、壓縮感知、單像素成像和超分辨率技術(shù)，并進一步探討數(shù)據(jù)驅(qū)動模型在視覺成像、工業(yè)無損評估和醫(yī)學(xué)影像處理等實際場景中的落地實踐，以及未來的發(fā)展趨勢。
-
通過實踐輕松掌握Python
在Python 3教程的這一部分中，我們將探索Python函數(shù)語法、參數(shù)處理、返回值和變量作用域。在此過程中，我們還將介紹一些通用函數(shù)，如range()、map、filter和lambda函數(shù)。
-
基于深度學(xué)習(xí)的自適應(yīng)調(diào)制與編碼方案：從理論到實踐的突破
在5G/6G通信系統(tǒng)中，自適應(yīng)調(diào)制與編碼（Adaptive Modulation and Coding, AMC）通過動態(tài)調(diào)整信號傳輸參數(shù)，實現(xiàn)頻譜效率與可靠性的平衡。傳統(tǒng)AMC方案依賴瞬時信道質(zhì)量指示（CQI）映射，但在高動態(tài)場景中存在時延大、精度低的問題?；谏疃葘W(xué)習(xí)的AMC方案通過數(shù)據(jù)驅(qū)動建模，突破了傳統(tǒng)方法的性能瓶頸，成為提升通信系統(tǒng)效能的關(guān)鍵技術(shù)。
-
深度學(xué)習(xí)算法在FPGA中的硬件加速框架設(shè)計
深度學(xué)習(xí)算法的廣泛應(yīng)用對計算性能提出了嚴苛要求，傳統(tǒng)CPU/GPU架構(gòu)在能效比和實時性方面逐漸顯現(xiàn)瓶頸。FPGA（現(xiàn)場可編程門陣列）憑借其高度可定制的并行計算架構(gòu)和低功耗特性，成為深度學(xué)習(xí)硬件加速的理想選擇。本文從框架設(shè)計、關(guān)鍵技術(shù)及代碼實現(xiàn)三個維度，探討FPGA加速深度學(xué)習(xí)算法的核心方法。
-
通過深度學(xué)習(xí)技術(shù)提升立體深度估計
立體深度估計在機器人技術(shù)、AR/VR和工業(yè)檢測中至關(guān)重要，它為諸如箱體拾取、自動導(dǎo)航和質(zhì)量控制等任務(wù)提供了精確的3D感知。Teledyne IIS的Bumblebee X立體相機既具備高精度，又能夠提供實時性能，能夠在1024×768分辨率下以38幀每秒(FPS)的速度生成詳細的視差圖。
-
多光譜氣體傳感器的抗交叉干擾設(shè)計，深度學(xué)習(xí)驅(qū)動的工業(yè)廢氣成分實時辨識系統(tǒng)
在工業(yè)廢氣排放監(jiān)測與污染控制，多光譜氣體傳感器憑借其非接觸、多組分同步檢測的優(yōu)勢，已成為實時感知氣體成分的核心設(shè)備。然而，工業(yè)廢氣中存在的復(fù)雜氣體混合物(如SO?與NO?的吸收光譜重疊、VOCs(揮發(fā)性有機物)與水蒸氣的基線漂移)會導(dǎo)致傳感器輸出信號產(chǎn)生嚴重的交叉干擾，使得傳統(tǒng)基于閾值比較或線性擬合的辨識方法誤報率高達30%以上。深度學(xué)習(xí)驅(qū)動的抗交叉干擾設(shè)計，通過構(gòu)建高維特征提取與非線性映射模型，為多光譜氣體傳感器的精準辨識提供了突破性解決方案，使工業(yè)廢氣成分的實時檢測準確率提升至98%以上，為環(huán)保監(jiān)管與工藝優(yōu)化提供了可靠數(shù)據(jù)支撐。
-
低劑量CT的“深度學(xué)習(xí)重建”算法，殘差U-Net的噪聲抑制、微小結(jié)節(jié)（3mm）檢測靈敏度提升
在醫(yī)學(xué)影像技術(shù)飛速發(fā)展的當下，低劑量CT(LDCT)因其能有效降低患者輻射暴露風(fēng)險，成為臨床診斷中備受關(guān)注的成像方式。然而，降低輻射劑量不可避免地會引入噪聲和偽影，影響圖像質(zhì)量，進而對微小結(jié)節(jié)(尤其是3mm及以下)的檢測靈敏度造成挑戰(zhàn)。深度學(xué)習(xí)重建算法的出現(xiàn)，為解決這些問題提供了新的思路，其中殘差U-Net在噪聲抑制和微小結(jié)節(jié)檢測靈敏度提升方面展現(xiàn)出顯著優(yōu)勢。
-
紅外熱像儀非均勻性校正（NUC）：黑體輻射源與深度學(xué)習(xí)融合方案
一、引言 紅外熱像儀憑借其能非接觸式測量物體表面溫度分布的優(yōu)勢，在工業(yè)檢測、安防監(jiān)控、醫(yī)療診斷等領(lǐng)域得到廣泛應(yīng)用。然而，由于制造工藝、環(huán)境因素等影響，紅外探測器各像素單元的響應(yīng)特性存在差異，導(dǎo)致成像結(jié)果出現(xiàn)非均勻性，嚴重影響了圖像質(zhì)量和測溫精度。非均勻性校正（NUC）技術(shù)應(yīng)運而生，旨在消除這種差異，提高紅外熱像儀的性能。
-
基于深度學(xué)習(xí)的數(shù)字IC布局優(yōu)化：DREAMPlace 4.0的GPU加速實踐
隨著數(shù)字集成電路（IC）設(shè)計復(fù)雜度的指數(shù)級增長，傳統(tǒng)布局工具在處理超大規(guī)模設(shè)計時面臨計算效率瓶頸。DREAMPlace作為基于深度學(xué)習(xí)的VLSI布局開源項目，通過引入GPU加速技術(shù)，實現(xiàn)了全局布局與詳細布局階段超過30倍的速度提升。本文以DREAMPlace 4.0版本為核心，解析其GPU加速架構(gòu)設(shè)計、性能優(yōu)化策略及工程實踐。
-
曦智科技時隔八年再登《Nature》，光電混合計算架構(gòu)首次公開
英國倫敦時間4月9日，全球頂級學(xué)術(shù)期刊《自然》(Nature)刊載了曦智科技的光電混合計算成果：《超低延遲大規(guī)模集成光子加速器》(An integrated large-scale photonic accelerator with ultralow latency)。這是自八年前曦智科技創(chuàng)始人沈亦晨博士于《自然·光子學(xué)》雜志發(fā)表封面文章《由納米光學(xué)回路實現(xiàn)的深度學(xué)習(xí)》(Deep learning with coherent nanophotonic circuits)以來，曦智科技再次登上全球頂級學(xué)術(shù)期刊。同時，也是繼3月25日其最新光電混合計算卡曦智天樞發(fā)布后，曦智科技在光電混合計算領(lǐng)域的又一重要成果。
-
2025年及未來半導(dǎo)體行業(yè)的八大趨勢
鑒于過去幾十年技術(shù)變革的速度，預(yù)測趨勢似乎是一項吃力不討好的任務(wù)。但我們認為擁有前瞻性的視角很重要，以下是我們對未來幾年可能持續(xù)塑造和重塑行業(yè)的因素的預(yù)測。
-
基于深度學(xué)習(xí)的智能攝像頭行為識別系統(tǒng)
隨著人工智能技術(shù)的飛速發(fā)展，智能攝像頭行為識別系統(tǒng)逐漸成為公共安全、商業(yè)運營和智能家居等領(lǐng)域的重要工具。該系統(tǒng)通過深度學(xué)習(xí)算法，對攝像頭捕捉的視頻圖像進行實時分析，能夠自動識別并分析人類的各種行為，如打斗、跌倒、抽煙等，并根據(jù)設(shè)定的規(guī)則做出相應(yīng)反應(yīng)。本文將詳細介紹基于深度學(xué)習(xí)的智能攝像頭行為識別系統(tǒng)的模型訓(xùn)練、特征提取和行為分類的實現(xiàn)方法，并結(jié)合代碼示例進行說明。
-
基于改進YOLO v3的飛行目標檢測算法研究
飛行目標往往呈現(xiàn)為十幾個像素點的小目標 ,對其準確檢測是黑飛反制、管控等應(yīng)用中首要解決的問題 。鑒于此 ,提出一種基于改進YOLO v3的方法提高飛行目標的檢測能力。首先為避免梯度消失 ,增強特征的復(fù)用 ,在特征檢測層引入殘差網(wǎng)絡(luò);其次為提高小目標的檢測能力 ,增加對4倍下采樣特征的檢測;然后通過數(shù)據(jù)集對未改進YOLO v3和改進后YOLO v3進行訓(xùn)練獲取模型;最后將Faster R-CNN、未改進YOLO v3和改進后YOLO v3進行實驗對比 ,數(shù)據(jù)顯示改進后YOLO v3的準確度提升14個百分點以上 , 能較好地檢測出飛行目標。
-
基于深度學(xué)習(xí)的人體動作識別系統(tǒng)：技術(shù)進展與應(yīng)用前景
隨著人工智能技術(shù)的飛速發(fā)展，人體動作識別技術(shù)作為計算機視覺領(lǐng)域的重要分支，正逐漸展現(xiàn)出其在人機交互、智能監(jiān)控、虛擬現(xiàn)實、健身娛樂等領(lǐng)域的巨大潛力?；谏疃葘W(xué)習(xí)的人體動作識別系統(tǒng)，通過利用深度學(xué)習(xí)技術(shù)和計算機視覺方法，實現(xiàn)了對人類動作的準確識別與理解，為智能交互提供了新的可能。
-
基于深度學(xué)習(xí)的聲信號分類識別方法（含偽代碼）
聲信號分類識別是信息處理領(lǐng)域的一個重要分支，廣泛應(yīng)用于語音識別、環(huán)境監(jiān)測、智能家居等多個領(lǐng)域。傳統(tǒng)方法往往依賴于手工設(shè)計的特征提取和分類器設(shè)計，但其泛化能力和識別精度有限。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，其在聲信號分類識別中的應(yīng)用日益廣泛，顯著提高了識別精度和魯棒性。本文將介紹基于深度學(xué)習(xí)的聲信號分類識別方法，并提供相關(guān)代碼示例。
-
深度學(xué)習(xí)實踐者指南
我們的世界正在經(jīng)歷一場由深度神經(jīng)網(wǎng)絡(luò)驅(qū)動的人工智能革命。隨著 Apple Intelligence 和 Gemini 的出現(xiàn)，人工智能已經(jīng)普及到每個擁有手機的人。除了消費者人工智能之外，我們還將深度學(xué)習(xí)模型應(yīng)用于汽車、金融、醫(yī)療、制造業(yè)等多個行業(yè)。這促使許多工程師學(xué)習(xí)深度學(xué)習(xí)技術(shù)并將其應(yīng)用于解決項目中的復(fù)雜問題。為了幫助這些工程師，必須制定一些指導(dǎo)原則，以防止在構(gòu)建這些黑盒模型時出現(xiàn)常見的陷阱。
-
亞馬遜云科技連續(xù)5年位列Gartner?云AI開發(fā)者服務(wù)魔力象限“領(lǐng)導(dǎo)者”
北京——2024年7月3日 日前，Gartner?發(fā)布了2024年《云AI開發(fā)者服務(wù)魔力象限》報告1，亞馬遜云科技被列為“領(lǐng)導(dǎo)者”之一，在“執(zhí)行能力”上處于最高位置。這已經(jīng)是亞馬遜云科技連續(xù)5年位列Gartner?云AI開發(fā)者服務(wù)魔力象限“領(lǐng)導(dǎo)者”。
-
深度學(xué)習(xí)框架介紹：Keras、Caffe 和 Microsoft 認知工具包
Keras 最初是一個獨立的神經(jīng)網(wǎng)絡(luò)庫，后來迅速轉(zhuǎn)變?yōu)樯疃葘W(xué)習(xí)領(lǐng)域的重要參與者。如今，它被公認為 TensorFlow 的高級API，為人工智能愛好者提供簡化的界面。這種顯著的轉(zhuǎn)變很大程度上歸功于其用戶友好性，它填補了高復(fù)雜性庫與開發(fā)人員的實際需求之間的差距。
-
基于SSVEP信號的下肢外骨骼機器人控制系統(tǒng)研究
近年來,隨著現(xiàn)代醫(yī)療技術(shù)的進步,人類的平均壽命不斷延長,導(dǎo)致人口老齡化危機加劇[1]。在這一背景下,中風(fēng)發(fā)病率預(yù)計將呈上升趨勢,為提高患者的運動能力,機器人在康復(fù)領(lǐng)域得到了廣泛的應(yīng)用,尤其是下肢外骨骼機器人[2]。這類機器人具有針對性訓(xùn)練神經(jīng)和肌肉系統(tǒng)的能力,為患者康復(fù)提供了一種有效途徑。
-
如何看懂機器學(xué)習(xí)代碼
以下內(nèi)容中，小編將對機器學(xué)習(xí)的相關(guān)內(nèi)容進行著重介紹和闡述，希望本文能幫您增進對機器學(xué)習(xí)的了解，和小編一起來看看吧。
美思電子
adofu2008
Name_006
lzhj881506
Davy楷
1122徐
gck_2009
之一知足
之一知足
之一知足
之一知足
之一知足
pangkitty
tongpcb
eengrzh
fortaczx
lyp123010
lenjohn0591
nikel
weldon116
- 安富利3kW模擬電源供應(yīng)器（PSU）解決方案開發(fā)板來襲，申請領(lǐng)好禮
- 得捷芯聞解碼視頻研習(xí)站第五期：打造更安全、更智能、更舒適、高續(xù)航的駕乘體驗
- FPGA供電應(yīng)用遇挑戰(zhàn)？MPS高性能FPGA供電解決方案幫你破局
- 得捷芯聞解碼研習(xí)站第四期：網(wǎng)絡(luò)安全芯片，讓您的應(yīng)用系統(tǒng)無懈可擊
- “變現(xiàn)”指南：上傳資料獲三重紅包，親測有效！
- 《21ic技術(shù)洞察》系列欄目：AI芯紀元——AI加持，語?助?再進化！
- 得捷芯聞解碼研習(xí)站第三期：MCU助?多應(yīng)?打破功耗噩夢與安全隱患困局
