百度深度学习的图像识别进展

最新推荐文章于 2025-09-06 09:26:50 发布
转载 最新推荐文章于 2025-09-06 09:26:50 发布 · 160 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：http://www.cnblogs.com/573177885qq/p/4779982.html
文章标签：

#人工智能

本文探讨了基于深度学习的图像识别技术进展，通过百度的实际案例深入解析了该领域的关键实践与创新，提供了从理论到实际应用的全面洞察。

       这是百度文章《基于深度学习的图像识别进展：百度的若干实践》的摘要，里面还有博主的个人见解，感觉还不错：http://www.cvrobot.net/image-recognition-progression-based-on-deep-learning-by-baidu/

       这是那篇文章：http://www.ccf.org.cn/sites/ccf/xhdtnry.jsp?contentId=2857471255804

 

转载于:https://www.cnblogs.com/573177885qq/p/4779982.html

深度学习与图像识别的应用介绍
xu11410的博客
03-14 4128
人工智能在工业领域中可以运用在产品质量检查、生产过程防呆防错、工艺参数优化等相关领域。
百度开源移动端深度学习框架mobile-deep-learning（MDL）
weixin_34344677的博客
09-25 631
作者｜李永会编辑｜Natalie2017 年 9 月 25 日，百度在 GitHub 开源了移动端深度学习框架 mobile-deep-learning（MDL）的全部代码以及脚本，希望这个项目在社区的带动下能够更好地发展。写在前面 深度学习技术已经在互联网的诸多方向产生影响，每天科技新闻中关于深度学习和神经网络的讨论越来越多。深度学习技术在近两年飞速发展，各种互联网产品都争相应用深度学习技术，产...
基于深度学习的图像识别进展：百度的若干实践
01-29
基于深度学习的图像识别进展：百度的若干实践，欢迎下载
基于深度学习的图像识别进展百度的若干实践
08-15
基于深度学习的图像识别进展百度的若干实践
基于深度学习的以图搜图
Harrytsz的博客
05-07 2974
使用预训练的卷积神经网络提取图片中的特征，生成特征向量。 利用图片库中所有图片数据构建 <id, feature vector> 数据。 使用 Faiss 创建 Index ，利用 <id, feature vector> 数据生成索引。 针对待检索图片，使用模型提取图片特征向量，然后使用 Index 检索 TopK 相似图片的 id。 可视化检索结果 1. 导包 import os import time import torch import faiss import num.
【图像识别技术】基于深度学习的图像分类、物体检测与语义分割：百度大数据技术专场进展与应用综述 R语言大会-百度大数据技术专场 图像识别技术的进展和应用 共29页
06-28
此外，还展示了百度在图像识别领域的服务和产品，如百度识图、实拍翻译、移动识图等功能，并对未来图像识别技术的发展方向进行了展望，包括弱监督学习、从高层视觉到早期视觉的转变等。; 适合人群：对图像识别技术感...
百度深度学习进展介绍文档
03-04
百度深度学习的成果涵盖了自然语言处理、语音识别、图像识别等多个方面，展现了百度在人工智能领域的强大实力和影响力。 文档首先从深度学习的基础概念谈起，详细解释了深度学习的工作原理，包括神经网络的结构、...
深度学习之图像识别核心技术与案例实战
super339的博客
08-14 1433
深入浅出深度学习：原理剖析与Python实践》适合有一定高等数学、机器学习和Python编程基础的在校学生、高校研究者或在企业中从事深度学习的工程师使用，书中对模型的原理与难点进行了深入分析，在每一章的后面都提供了详细的参考文献，读者可以对相关的细节进行更深入的研究。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。...
图像识别（五）| resnet50 的残差结构到底是什么？
AI与算法都要通俗易懂
06-22 3949
为什么叫Resnet50？
利用百度API做图像识别(py3)
qq_40484582的博客
08-25 1万+
第一次在CSND上发博客。过去都是上CSND参考大佬们的文章，但最近想着借CSND这个平台把之前所做的项目都总结一遍发上来。一来可以方便自己以后看，二来可以给到有需要的人帮助。 那么废话不多，进入正题： 第一步： 首先进入到百度AI的官网，里面有我们需要的API 附上链接：(http://ai.baidu.com/tech/imagerecognition) (图一)点击“立...
基于深度学习实现以图搜图功能
热门推荐
chenghaoy的博客
12-12 2万+
前记： 深度学习的发展使得在此之前以机器学习为主流算法的相关实现变得简单，而且准确率更高，效果更好，在图像检索这一块儿，目前有谷歌的以图搜图，百度的以图搜图，而百度以图搜图的关键技术叫做“感知哈希算法”，这是一个很简单且快速的算法，其原理在于针对每一张图片都生成一个特定的“指纹”，然后采取一种相似度的度量方式得出两张图片的近似程度，具体见之前的一篇博客哈希算法-图片相似度计算。 　　而深度学习在图...
深度学习-图片识别原理-CNN
deep learning
09-13 7104
对于给定的一张图片， CNN是如何识别的： 首先， 把图片分成 N * N 的像素， 每一个像素代表一个神经元， 所有的像素排成一排， 作为第一层的神经网络， 也就是输入层， 只有输入层的数据是已知的， 用于产生隐藏层的第一层。 其次， 隐藏层的第一层， 用于识别边或棱， 也就是说，当第一场的像素输入后， 产生图像的边或棱。也就是只能识别图像最微不足道的地方。 然后， 隐藏层的第一层作为隐藏层的第二层的输入， 产生角和轮廓， 隐藏层的第二层产生了更详细的图像内容。 最后， 假设隐藏层一共有三层， 隐藏层.
TensorFlow SiameseNet 人脸识别实战
hfrommane的博客
03-25 2984
文章的主要工作是用SiameseNet模型实现人脸识别的功能。 SiameseNet卷积神经网络模型如下（详细结构移步到GitHub，简化版的VGG）： 数据集采用微软的MS-Celeb-1M公开人脸数据集，大家直接下载对齐好的那个数据集，首先网络上有一份清理过的list，文件名是：MS-Celeb-1M_clean_list.txt，大约160M。然后用组合算法生成positive_...
STM32传感器模块编程实践(十六)DIY人脸识别智能垃圾桶模型
光子物联
09-05 878
本文介绍了一种基于STM32单片机的人脸识别智能垃圾桶模型。该系统由STM32F103C8T6主控芯片、ASR-PRO语音交互模块、SG90舵机和人脸识别模块组成。语音模块用于验证口令，只有口令正确才能录入人脸；识别成功后舵机带动垃圾桶盖打开。控制流程包括人脸识别、语音交互和舵机驱动，通过串口指令实现人脸录入与识别。系统采用STM32CubeMX配置GPIO、PWM和串口参数，Keil5编写控制程序，最终实现人脸识别控制垃圾桶
AI驱动的软件测试：革命性的自动化、缺陷检测与实验优化
最新发布
zzywxc787的博客
09-06 484
人工智能（AI）和机器学习（ML）技术的融入，正在从根本上重塑软件测试的格局，将其从一种主要是手动的、重复性的任务转变为一种智能的、预测性的、且持续优化的过程。*说明：多臂老虎机算法（MAB）由于将更多流量分配给了更好的版本B，其累积回报（点击次数）的增长速度远快于传统A/B测试（固定50/50分流）。： 利用NLP技术（如文本分类）自动分析新提交的Bug报告的内容、标题和描述，将其自动分类（如“前端UI问题”、“后端API错误”），并推荐或分配给最合适的开发人员（基于谁修改了相关代码文件）。
怎么快速构建一个deep search模型呢
qq_57565004的博客
09-05 696
本文提出了一种快速构建具备深度信息检索能力的智能体系统（DeepSearch）的方法。该方法采用分阶段开发策略：首先基于RAG架构搭建基础检索链路，再通过LangChain框架整合大语言模型和搜索引擎API，赋予系统自主规划与迭代搜索能力，最终实现多源信息整合和结构化报告生成。技术选型上强调利用开源工具（如LangChain、ChromaDB）和预训练模型，通过"思考-检索-整合-迭代"的智能体工作流，高效构建可验证原型的核心功能。
机器学习基础-day03-机器学习中的线性回归
XZSSWJS的博客
09-04 957
初学小小白，个人笔记使用，仅供参考
机器学习从入门到精通 - 强化学习初探：Q-Learning到Deep Q-Network实战
THMAIL的博客
09-04 1388
本文介绍了强化学习从Q-Learning到Deep Q-Network(DQN)的进阶过程。首先阐述了强化学习的基本框架，包括Agent、Environment、State、Action和Reward的交互关系，以及马尔可夫决策过程(MDP)的核心假设。重点讲解了Q-Learning算法，详细推导了其基于贝尔曼方程的时间差分更新公式，并说明了ε-greedy策略在探索与利用之间的平衡作用。随后指出Q-Table在处理高维状态空间时的局限性，进而引入DQN解决方案。DQN采用神经网络作为函数逼近器，并依靠经验
深度学习驱动的图像识别：进展与应用
图像识别技术的进展和应用 图像识别技术是计算机视觉领域的重要组成部分...总结来说，图像识别技术的发展已经从基础的图像分类扩展到了多元化的应用场景，随着深度学习和大数据的驱动，这一领域的未来充满了无限可能。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值