dejahu的博客

AMing的毕设]车辆重识别系统~giao。

具身智能（Embodied Intelligence）是一种强调智能体通过身体与物理环境交互来实现智能行为的研究方向。其核心在于将智能与物理存在相结合，通过感知、行动和环境反馈的循环来提升智能体的适应性和自主性。

LoRA（Low-Rank Adaptation）模型是一种用于减少深度学习模型训练中参数数量和计算资源消耗的技术。它最早是在多头注意力机制中提出的，尤其是用于大模型的微调（fine-tuning）。LoRA 的主要思想是通过引入低秩分解（low-rank decomposition），用少量参数来逼近和微调模型，从而避免直接调整整个大模型的权重。

这些模型代表了当前最先进的自然语言处理技术，展示了人工智能在理解和生成自然语言方面的巨大进步。

目前，中国在大语言模型（LLMs）领域有多个较为著名且具有影响力的模型，这些模型在中文处理能力和应用场景方面表现突出。

杰弗里·埃弗里斯特·辛顿（Geoffrey Everest Hinton）国籍：加拿大、英国出生日期：1947年12月6日出生地：英国温布尔登职业：教育科研工作者主要成就：2018年获得图灵奖，1998年当选为英国皇家学会院士，1996年当选为加拿大皇家学会院士，2023年当选为美国国家科学院外籍院士教育背景1970年，获得剑桥大学实验心理学学士学位。1978年，获得爱丁堡大学人工智能学博士学位。职业经历1976年至1978年，担任苏塞克斯大学认知科学研究项目研究员。

我们提出了一种新颖的超声心动图视频分割模型，该模型通过将分割任意掩码（SAM）技术应用于医学视频，以解决超声视频分割领域长期存在的一些挑战，包括（1）大量的斑点噪声和伪影，（2）极其模糊的边界，以及（3）帧间目标对象的大幅变化。我们模型的核心技术是一种具有时间感知和抗噪能力的提示方案。具体而言，我们采用了一种包含空间和时间信息的时空记忆体，来提示当前帧的分割，因此我们称该模型为MemSAM。在提示过程中，携带时间线索的记忆体按顺序逐帧提示视频分割。

这里在博客中做个简单记录，方便后续查找YOLO系列模型的相关内容！

GPT模型使用了一种称为“自回归”（autoregressive）的方法来生成文本，这意味着模型会根据它之前生成的文本内容来预测下一个词或字符。请注意，这个示例仅用于展示GPT模型的基本结构，并没有包含所有的功能和优化，例如权重初始化、dropout、完整的预处理和训练逻辑等。GPT模型的这些技术原理共同作用，使其能够生成高质量、高连贯性的文本，并且在多种自然语言处理任务上展现出卓越的性能。随着模型规模的增加，GPT系列模型（如GPT-2和GPT-3）的能力也在不断增强。

今天我们来一起说下最近刚出的YOLOV9算法。