- 博客(10)
- 收藏
- 关注
RSS订阅原创 改进版YOLOv8模型：SCConv模块与Coordinate Attention网络架构优化
YOLOv8使用了一种复合尺度的设计，支持不同的模型尺寸（如YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x），每个模型尺寸通过调整网络深度、宽度和通道数来平衡速度与精度。其backbone部分用于特征提取，而head部分则进行目标检测和分类任务。
2024-12-29 18:42:04
838
原创 突破交通预测瓶颈：全新改进的时空图卷积网络（STGCN）揭示未来交通流动的奥秘！
🔍🌐在现代城市交通管理中，准确的交通预测至关重要。为了应对这一挑战，我们开发了一个基于深度学习的时空图卷积网络（STGCN），旨在提升交通流量预测的准确性和效率。本文将详细介绍我们的代码实现及其主要改进点。
2024-12-07 19:58:19
1020
原创 TransUNet 三通道数据集处理方法
最近，我在训练TransUNet网络时遇到了一些挑战，特别是在处理高版本Labelme标注的数据集和三通道输入时，数据集转换失败。为了记录这一过程并分享解决方案，我将详细介绍我在处理高版本标注和TransUNet三通道数据集时的经验和方法。
2024-10-31 10:23:21
268
原创 突破医疗AI的极限！新型E2ENet模型，让3D医学图像分割更高效、更精准！
近年来，深度神经网络在3D医学图像分割领域取得了巨大的进展，但随着模型复杂度的增加，计算成本和硬件资源的消耗也在急剧增长。对于许多实际应用场景，尤其是在资源受限的硬件上，这成为了一个重大障碍。对此，最新的研究提出了一个革命性的解决方案——。这篇文章将向你揭示这个高效、准确的3D医学图像分割模型背后的创新设计及其在临床应用中的巨大潜力。E2ENet，全称Efficient to Efficient Network，旨在解决当前3D医学图像分割模型在性能与计算效率之间的矛盾。
2024-10-14 13:31:32
466
1
原创 【爆火】TransUNet：融合Transformer与U-Net的医学图像分割神器！
在医学图像分割领域，传统的U-Net模型已经取得了显著成果。然而，随着Transformer在计算机视觉领域的崛起，将其与U-Net结合的TransUNet模型成为了新的热门。TransUNet是一种融合了Transformer和U-Net结构的深度学习模型，旨在提高医学图像分割的精度。它结合了Transformer的全局上下文理解能力和U-Net的局部特征提取能力，非常适合处理复杂的医学图像。然后需要生成一个包含训练数据集信息的txt文件，具体的生成代码如下，利用同样的方法生成验证集的txt文件。
2024-07-02 10:58:41
3845
4
原创 倾斜摄影测量：实现图像坐标到真实世界坐标的转换
相机内参矩阵（Intrinsic Matrix）用于描述相机的内部特性，包括焦距、主点位置（光学中心）以及像素尺寸等。这些参数帮助我们将图像坐标与相机坐标系联系起来。相机外参矩阵（Extrinsic Matrix）用于描述相机在世界坐标系中的位置和姿态。它包括旋转矩阵和平移向量，帮助我们将相机坐标系下的坐标转换为世界坐标系下的坐标。print("世界坐标:")longitude1 = 117 # 中央子午线 根据实际进行配置Y0 = 0M = yval# 转换为度。
2024-06-02 12:32:30
2443
2
原创 深度解读 YOLOv10：新一代实时端到端目标检测模型
YOLOv10通过去除NMS的双重分配策略和整体效率-准确性驱动的模型设计，在保持高准确性的同时，实现了更低的延迟和更小的模型规模。其卓越的性能和广泛的应用前景，使其成为实时目标检测领域的新标杆。我们期待未来YOLOv10能够在更多实际场景中得到应用，并推动相关技术的发展。如果您对YOLOv8模型的改进和深度学习技术感兴趣，欢迎关注我的微信公众号"AI代码 Insights"。在这里，我会定期分享最新的人工智能技术、深度学习算法和实践经验，与大家共同探讨AI领域的前沿动态。
2024-05-31 19:58:11
2450
原创 YOLOv8 改进方案详解：双向特征金字塔、蛇形卷积和改进注意力机制的应用
YOLOv8是Ultralytics发布的一款目标检测模型，采用了先进的架构设计和高效的计算方式。YOLOv8模型通过引入更深的层次和更多的参数，提升了目标检测的精度和速度。其核心架构包括主干网络（backbone）、特征金字塔网络（FPN）和检测头（head）。
2024-05-30 12:54:03
1034
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人