<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Java_college的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Java_college</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Java_college]]></copyright><item><title><![CDATA[Meta强势推出分割一切新工作的视觉大模型！SAM2对比YOLOV8]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/141569145</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/141569145</guid><author>Java_college</author><pubDate>Mon, 26 Aug 2024 17:32:12 +0800</pubDate><description><![CDATA[SAM 2 是 Meta 的Segment Anything Model (SAM) 的后续产品，是一款专为图像和视频中的综合对象分割而设计的尖端工具。它采用统一、可提示的模型架构，支持实时处理和零镜头泛化，在处理复杂的视觉数据方面表现出色。]]></description><category></category></item><item><title><![CDATA[SAM 2最新应用落地！牛津大学团队发布Medical SAM 2，刷新医学图像分割SOTA榜]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/141568614</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/141568614</guid><author>Java_college</author><pubDate>Mon, 26 Aug 2024 17:15:31 +0800</pubDate><description><![CDATA[2023 年 4 月，Meta 公司发布了 Segment Anything Model (SAM)，号称能够「分割一切」，犹如一颗重磅炸弹震荡了整个计算机视觉领域，甚至被很多人看作是颠覆传统 CV 任务的研究。时隔 1 年多，可想而知，强大的实力使得业界开始加速探索 SAM 在不同领域的应用，尤其是在医学图像分割领域，不少实验室和学术研究团队已经将其视为医学图像分割模型的不二之选。所谓医学图像分割，就是将医学图像中具有特殊含义的部分分割出来，并提取相关特征，进而为临床诊断、病理学研究等提供可靠依据。]]></description><category></category></item><item><title><![CDATA[浙大李玺团队：指代表达理解新方法，ScanFormer粗到细迭代消除视觉冗余]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/141397350</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/141397350</guid><author>Java_college</author><pubDate>Wed, 21 Aug 2024 16:43:36 +0800</pubDate><description><![CDATA[然后构造图像金字塔并从金字塔顶层依次往下迭代，在每次迭代中，输入当前尺度被选择的 patch，Encoder1 用于预测每个 patch 对应的下一个尺度的细粒度 patch 的选择情况，特别地，顶层图像的 patch 全部被选上，以保证模型能获得粗粒度的全图信息。如左图所示，随着尺度的增加，细粒度的图像特征被加入，模型精度逐步提升。另外，根据由被选择的 patch 重建的图像，可以看出模型对于背景区域只关注了粗尺度的信息，对于相关的前景区域，模型能够关注细粒度的细节信息。基于以上分析，我们提出了。]]></description><category></category></item><item><title><![CDATA[Nature子刊，上智院、复旦、中国气象局研发次季节AI大模型「伏羲」，突破「可预报性沙漠」]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/141326660</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/141326660</guid><author>Java_college</author><pubDate>Mon, 19 Aug 2024 15:30:00 +0800</pubDate><description><![CDATA[它能够改变气候科学的研究范式，突破传统模式的局限性，实现更精细的空间分辨率和更长时间尺度的精准气候风险预报。目前，「伏羲」次季节气候预测大模型仍有提升空间，例如其空间分辨率为 1.5 度，与 ECMWF 次季节模式的 36 公里的空间分辨率相比仍相对粗糙，目前预报的是日均气温、缺少日最高温度和日最低温度等。「伏羲」次季节气候预测大模型有效提升了对 MJO 的预测技巧，将 MJO 的预测技巧达到了 36 天，大幅超过了 ECMWF 的 S2S 模式的 30 天时长。]]></description><category></category></item><item><title><![CDATA[登Nature子刊｜北航、清华团队用AI在多空间组学平台上高分辨率表征组织，比原始分辨率高36倍]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/141262521</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/141262521</guid><author>Java_college</author><pubDate>Fri, 16 Aug 2024 16:11:33 +0800</pubDate><description><![CDATA[通过对 Visium、Xenium、spatial-CUT&Tag、slide-DNA/RNA-seq 等多种空间组学平台的综合评估，soScope 提高了识别具有生物学意义的肠道和肾脏结构的性能，揭示了无法以原始分辨率解决的胚胎心脏结构，并纠正了测序和样本处理中出现的样本和技术偏差。在这里，北航和清华的研究团队引入了空间组学范围（soScope），这是一个完全生成的框架，它模拟来自不同空间组学技术的点级概况的生成过程，旨在提高它们的空间分辨率和数据质量。组织是由具有不同分子状态和空间组织的细胞构成的。]]></description><category></category></item><item><title><![CDATA[ECCV 2024 | 南洋理工三维数字人生成新范式：结构扩散模型，用于 3D 人类生成]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/141226382</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/141226382</guid><author>Java_college</author><pubDate>Thu, 15 Aug 2024 17:00:50 +0800</pubDate><description><![CDATA[StructLDM 是一个从图像、视频中学习的前馈三维生成模型（Feedforward 3D Generative Model），相比于已有 3D GAN 方法可生成高质量、多样化且视角一致的三维数字人，并支持不同层级的可控生成与编辑功能，如局部服装编辑、三维虚拟试衣等部位感知的编辑任务，且不依赖于特定的服装类型或遮罩条件，具有较高的适用性。值得注意的是，StructLDM 支持不同级别的可控 3D 人体生成和编辑，包括姿势/视图/形状控制，以及高级任务，包括构图生成、部分感知服装编辑、3D 虚拟试穿等。]]></description><category></category></item><item><title><![CDATA[强化学习中的策略梯度方法（游戏AI、机器人、自动驾驶）]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/141190780</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/141190780</guid><author>Java_college</author><pubDate>Wed, 14 Aug 2024 15:03:26 +0800</pubDate><description><![CDATA[选择一个参数化的策略函数，通常用神经网络来表示，该函数将状态映射到动作的概率分布。]]></description><category></category></item><item><title><![CDATA[在计算机视觉领域，有哪些新兴技术值得关注？扩散模型、自监督学习、弱监督学习、视觉语言模型、NeRF编辑技术]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/140987988</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/140987988</guid><author>Java_college</author><pubDate>Wed, 07 Aug 2024 11:57:50 +0800</pubDate><description><![CDATA[扩散模型可以用于修复受损或有缺陷的图像，通过逐步去除噪声并恢复图像的原始内容。：扩散模型能够将低分辨率图像重建为高分辨率图像，同时保持图像的细节和纹理。：扩散模型可以执行图像翻译任务，即将图像从一个风格转换到另一个风格，或者对图像进行编辑，如内容替换等。：扩散模型可以辅助进行图像分割和目标检测任务，提供更加精准的分割边界和检测框。：扩散模型在无条件图像生成方面展现出了优异的性能，能够生成高质量、多样化的图像。：扩散模型可以根据文本描述生成相应的图像，这在创意设计和虚拟内容生成中非常有用。]]></description><category></category></item><item><title><![CDATA[现在投身于计算机视觉是否明智？新兴技术]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/140987561</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/140987561</guid><author>Java_college</author><pubDate>Wed, 07 Aug 2024 11:49:06 +0800</pubDate><description><![CDATA[投身于计算机视觉领域目前被认为是一个明智的选择。计算机视觉作为人工智能的一个重要分支，其技术的应用范围广泛，包括但不限于工业自动化、医疗影像分析、安全监控、智能交通和游戏开发等领域。随着技术的不断进步，尤其是深度学习技术的突破，计算机视觉在多个视觉任务上已经超越了人类，市场对计算机视觉专业人才的需求持续增长。当前，计算机视觉领域的就业前景非常广阔，市场上针对机器视觉检测的专业和课程相对较少，导致相关领域方面的人才短缺。此外，技术的快速更新和应用领域的扩展也为从业者提供了新的技能要求和发展方向。]]></description><category></category></item><item><title><![CDATA[哈佛团队开发FairDomain：实现跨域医学图像分割和分类中的公平性]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/140917815</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/140917815</guid><author>Java_college</author><pubDate>Mon, 05 Aug 2024 09:24:06 +0800</pubDate><description><![CDATA[为了弥补现有偏见缓解工作的不足，我们引入了一种新的多功能公平身份注意力（FIA）机制，该机制设计为可以无缝集成到各种域适应和泛化策略中，通过人口统计属性（例如，种族群体）派生的自注意力来协调特征重要性，以促进公平性。本文介绍了 FairDomain，这是一项开创性的系统研究，旨在研究域偏移下的算法公平性，采用最先进的域适应 （DA） 和泛化 （DG） 算法进行医疗分割和分类任务，以了解偏差如何在不同域之间转移。在我们的实验中，我们首先分析了在域转移背景下的公平性，具体关注于杯盘分割任务。]]></description><category></category></item><item><title><![CDATA[2024 年将主导 AI 和机器学习的 6 大趋势]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/140666850</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/140666850</guid><author>Java_college</author><pubDate>Wed, 24 Jul 2024 16:42:08 +0800</pubDate><description><![CDATA[了解 2024 年流行的顶级，您必须了解这些趋势才能在您的取得成功，并了解它们如何有望改变行业。随着 2022 年 11 月 ChatGPT 的推出，人工智能在 2023 年发生了翻天覆地的变化。在过去的一年里，人工智能领域取得了令人振奋的巨大发展，其中包括复杂的多模态模型和蓬勃发展的开源领域。2024 年，人工智能将成为全球企业的游戏规则改变者。然而，随着组织开始更多地关注实时工作而不是实验，即使生成式人工智能继续吸引着科技界，观点也变得越来越成熟。]]></description><category></category></item><item><title><![CDATA[成为AI工程师的路线图（在2024年成为 AI 工程师的技能、学习资源和项目想法）]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/140666131</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/140666131</guid><author>Java_college</author><pubDate>Wed, 24 Jul 2024 16:25:26 +0800</pubDate><description><![CDATA[在确定 AI 工程师如何成为下一个大型技术角色之后，是时候学习如何成为一名重要角色了。让我们先揭开路线图的面纱！]]></description><category></category></item><item><title><![CDATA[生成式AI进入知识图谱时代？微软开源的GraphRAG爆火，Github Star量破万]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/140485795</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/140485795</guid><author>Java_college</author><pubDate>Wed, 17 Jul 2024 10:03:34 +0800</pubDate><description><![CDATA[这里，这两个答案都是准确的。近日，Neo4j 公司 CTO Philip Rathle 发布了一篇标题为《GraphRAG 宣言：将知识加入到生成式 AI 中》的博客文章，Rathle 用通俗易懂的语言详细介绍了 GraphRAG 的原理、与传统 RAG 的区别、GraphRAG 的优势等。现如今，RAG 是一种使用真实世界信息改进 LLM 输出的技术，是大多数基于 LLM 的工具的重要组成部分，一般而言，RAG 使用向量相似性作为搜索，称之为 Baseline RAG（基准RAG）。]]></description><category></category></item><item><title><![CDATA[彻底理解 AdaBoost 自适应提升算法 | AdaBoost 的关键要点、基本原理、优缺点和实际应用]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/140274040</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/140274040</guid><author>Java_college</author><pubDate>Mon, 08 Jul 2024 17:24:14 +0800</pubDate><description><![CDATA[即自适应提升（）算法的缩写，是一种基于策略的集成学习方法，旨在。AdaBoost 的 “自适应” 二字意味着它能够在每一轮迭代后调整对训练数据实例的关注度（特别是那些之前被错误预测的样本）和更新弱学习器的权重。与随机森林类似，AdaBoost 也是集成学习中的代表性算法之一，并且适用于分类和回归任务。Boosting 方法在近年来的多项数据竞赛中均取得了卓越的成绩，其背后的概念却并不复杂。该方法通过简单、易于理解的步骤构建简单的模型，进而将这些简单模型组合成强大的学习器。]]></description><category></category></item><item><title><![CDATA[全面解读视觉大模型-视觉Transformer原理、应用、优缺点以及未来发展趋势]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/140148377</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/140148377</guid><author>Java_college</author><pubDate>Wed, 03 Jul 2024 13:43:16 +0800</pubDate><description><![CDATA[视觉大模型，也称为视觉Transformer，是近年来计算机视觉领域的一大突破。这种模型在图像识别、目标检测、语义分割等任务中表现出色，成为深度学习领域的研究热点。本文将通过万字长文，对视觉大模型进行全面解读，包括其原理、应用、优缺点以及未来发展趋势。]]></description><category></category></item><item><title><![CDATA[顶会宠儿：几何深度学习！将几何先验知识融入深度学习模型！读完这篇，小白也可以了解GDL！]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/139925901</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/139925901</guid><author>Java_college</author><pubDate>Mon, 24 Jun 2024 15:02:54 +0800</pubDate><description><![CDATA[几何深度学习的未来发展潜力巨大。随着深度学习技术的不断进步，结合几何学的深度学习模型有望在更多领域内实现突破。例如，结合无监督学习或半监督学习的几何深度学习模型可能会在不需要大量标注数据的情况下，依然能够实现高性能的学习和预测。几何深度学习以其独特的视角和方法，在机器学习领域内开辟了一条新的研究路径。它不仅丰富了深度学习的理论基础，也为解决实际问题提供了新的思路和方法。随着研究的深入，几何深度学习有望在未来的智能系统中扮演更加重要的角色。]]></description><category></category></item><item><title><![CDATA[基于深度学习的推荐系统]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/139859774</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/139859774</guid><author>Java_college</author><pubDate>Fri, 21 Jun 2024 14:16:43 +0800</pubDate><description><![CDATA[推荐系统是互联网时代的一项关键技术，它通过分析用户的兴趣和行为，为用户推荐个性化的内容和产品，从而提高用户的满意度和参与度。随着人工智能技术的迅速发展，特别是深度学习的广泛应用，推荐系统迎来了新的发展机遇。深度学习以其强大的特征提取和非线性建模能力，在推荐系统中扮演着越来越重要的角色。]]></description><category></category></item><item><title><![CDATA[2024年的顶级计算机视觉机遇和挑战]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/139857267</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/139857267</guid><author>Java_college</author><pubDate>Fri, 21 Jun 2024 13:54:04 +0800</pubDate><description><![CDATA[计算机视觉(CV)是人工智能的一部分，它使计算机能够分析和理解视觉信息，包括图像和视频。它超越了简单的“看到”图像，而是教会计算机根据它们看到的东西做出决定。人工智能驱动的计算机视觉市场正经历快速增长，从2023年的220亿美元增长到预期的2023年的220亿美元500亿美元到2030年，2024-2030年CAGR将达到21.4%。这项技术模仿人类的视觉，但使用复杂的算法、大量数据和相机工作得更快。计算机视觉系统可以快速分析大面积上的数千种物品，或者检测人眼看不见的微小缺陷。]]></description><category></category></item><item><title><![CDATA[直观理解小样本学习]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/139472952</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/139472952</guid><author>Java_college</author><pubDate>Wed, 05 Jun 2024 15:20:57 +0800</pubDate><description><![CDATA[小样本学习作为一种新兴的机器学习技术，在解决数据稀缺问题方面展现出巨大的潜力。随着研究的深入，小样本学习有望在众多领域实现更广泛的应用，并为人工智能的发展开辟新的道路。]]></description><category></category></item><item><title><![CDATA[中科院版「分割一切」Fast SAM模型 | 精度相当，速度提升50倍！目前GitHub6.9K+星]]></title><link>https://blog.youkuaiyun.com/Java_college/article/details/138350227</link><guid>https://blog.youkuaiyun.com/Java_college/article/details/138350227</guid><author>Java_college</author><pubDate>Tue, 30 Apr 2024 16:47:57 +0800</pubDate><description><![CDATA[比Meta的「分割一切模型」(SAM)更快的图像分割工具，来了！中科院团队开源了FastSAM模型，能以50倍的速度达到与原始SAM相近的效果，并实现25FPS的实时推理。该成果在Github已经获得6.9K+次星标，在Twitter、PaperswithCode等平台也受到了广泛关注。]]></description><category></category></item></channel></rss>