<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ge20040119的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/ge20040119</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; ge20040119]]></copyright><item><title><![CDATA[1.OpenCV的一些常用xml文件介绍及整合]]></title><link>https://blog.csdn.net/ge20040119/article/details/140464424</link><guid>https://blog.csdn.net/ge20040119/article/details/140464424</guid><author>ge20040119</author><pubDate>Wed, 17 Jul 2024 09:30:00 +0800</pubDate><description><![CDATA[这些XML文件是OpenCV中用于Haar特征分类器的模型文件，它们通过训练得到的Haar特征集来检测图像中的特定对象或特征。: 用于检测人脸中的眼睛。这个模型经过训练，可以识别出图像中的人类眼睛。: 类似于，但特别针对戴眼镜的眼睛进行了优化。这对于在佩戴眼镜的情况下检测眼睛特别有用。: 专门用于检测正面朝向的猫脸。这个模型经过训练，可以识别出图像中正面朝向的猫脸。: 是的一个扩展版本，可能包含更多的特征或阶段，以提高检测的准确性和鲁棒性。: 用于检测正面朝向的人脸。这是另一种人脸检测模型，可能与。]]></description><category></category></item><item><title><![CDATA[使用OpenCV实现抠图]]></title><link>https://blog.csdn.net/ge20040119/article/details/140463466</link><guid>https://blog.csdn.net/ge20040119/article/details/140463466</guid><author>ge20040119</author><pubDate>Tue, 16 Jul 2024 13:43:26 +0800</pubDate><description><![CDATA[本文介绍了使用OpenCV实现抠图的基本思路，包括加载图片、找出轮廓、绘制轮廓以及模拟抠图效果。然而，真正的抠图可能需要更复杂的处理，如使用图像分割算法、深度学习模型等，以更准确地从背景中分离出前景对象。此外，处理透明度和alpha通道通常需要借助专门的图像处理软件或库。希望本文能为初学者提供一个入门级的抠图实现示例。]]></description><category></category></item><item><title><![CDATA[使用OpenCV来实现车辆统计]]></title><link>https://blog.csdn.net/ge20040119/article/details/140462502</link><guid>https://blog.csdn.net/ge20040119/article/details/140462502</guid><author>ge20040119</author><pubDate>Tue, 16 Jul 2024 12:06:46 +0800</pubDate><description><![CDATA[本文使用OpenCV构建车辆统计系统，涵盖视频加载、图像预处理（去噪、背景减除、形态学操作）、车辆检测与计数，并在视频帧上实时显示车辆总数。通过轮廓检测与面积过滤识别车辆，优化检测准确性。系统实现自动化处理，可进一步扩展功能如车辆跟踪。展示了OpenCV在车辆统计中的强大能力，为相关领域提供了实用参考。]]></description><category></category></item><item><title><![CDATA[当前开源项目发展趋势与我的参与经验]]></title><link>https://blog.csdn.net/ge20040119/article/details/140355679</link><guid>https://blog.csdn.net/ge20040119/article/details/140355679</guid><author>ge20040119</author><pubDate>Fri, 12 Jul 2024 14:45:00 +0800</pubDate><description><![CDATA[开源项目的发展趋势是积极向上的，它为开发者提供了一个展示才华、学习成长、实现价值的平台。我鼓励更多的人加入到这一行列中来，共同推动技术的进步和创新。让我们携手共建一个更加开放、协作、创新的软件世界！]]></description><category></category></item><item><title><![CDATA[深度剖析：机器学习与深度学习的智能之旅]]></title><link>https://blog.csdn.net/ge20040119/article/details/140353731</link><guid>https://blog.csdn.net/ge20040119/article/details/140353731</guid><author>ge20040119</author><pubDate>Fri, 12 Jul 2024 09:45:00 +0800</pubDate><description><![CDATA[展望未来，我们预计机器学习和深度学习将继续推动技术进步，不仅在传统的数据分析和模式识别领域，还将在自动化、机器人技术、智能交通等新兴领域发挥关键作用。机器学习与深度学习作为人工智能的两大支柱，它们的发展不仅极大地推动了技术的进步，也为我们创造了一个更加智能、便捷的未来世界。随着技术的不断成熟和应用的不断拓展，我们有理由相信，智能之旅才刚刚开始。]]></description><category></category></item><item><title><![CDATA[Datawhale AI 夏令营 之 Deepfake是什么？]]></title><link>https://blog.csdn.net/ge20040119/article/details/140353682</link><guid>https://blog.csdn.net/ge20040119/article/details/140353682</guid><author>ge20040119</author><pubDate>Thu, 11 Jul 2024 15:52:03 +0800</pubDate><description><![CDATA[Deepfake，顾名思义，是“深度伪造”的缩写，它利用深度学习技术，特别是生成对抗网络（GANs）来生成高度逼真的伪造媒体内容，包括视频和音频。GANs由两部分组成：生成器（Generator）和判别器（Discriminator）。生成器负责生成新的数据样本，而判别器则负责判断这些数据样本是真实的还是由生成器伪造的。通过不断的对抗训练，两者共同进步，直至生成器能够产生难以区分的伪造内容。Deepfake技术作为人工智能领域的一项创新成果，其发展前景令人瞩目。]]></description><category></category></item><item><title><![CDATA[基于VGG16特征提取与聚类优化的苹果分类系统开发与性能提升]]></title><link>https://blog.csdn.net/ge20040119/article/details/140349047</link><guid>https://blog.csdn.net/ge20040119/article/details/140349047</guid><author>ge20040119</author><pubDate>Thu, 11 Jul 2024 15:20:14 +0800</pubDate><description><![CDATA[在本次项目中，我们围绕original_data样本数据，构建了一个用于区分普通苹果与其他种类苹果的图像分类系统。通过一系列数据处理、特征提取、模型应用及优化步骤，我们不仅提升了模型的泛化能力，还通过可视化手段验证了模型的有效性。通过本次项目，我们成功构建了一个基于VGG16特征提取与聚类优化的苹果分类系统。通过数据增强、特征提取、聚类分析、结果矫正及可视化等多个环节的紧密配合，我们实现了对普通苹果与其他种类苹果的准确分类。]]></description><category></category></item><item><title><![CDATA[基于单层LSTM模型的文本序列预测：从预处理到字符预测的完整流程]]></title><link>https://blog.csdn.net/ge20040119/article/details/140325641</link><guid>https://blog.csdn.net/ge20040119/article/details/140325641</guid><author>ge20040119</author><pubDate>Wed, 10 Jul 2024 16:28:33 +0800</pubDate><description><![CDATA[通过本博客，我们详细介绍了如何使用单层LSTM模型来完成文本序列预测的任务。从数据预处理到模型构建，再到结果预测，每一步都至关重要。虽然单层LSTM模型在处理简单文本序列时表现良好，但对于更复杂的文本数据，可能需要更复杂的模型结构或更深的网络层次。]]></description><category></category></item><item><title><![CDATA[AI时代的转型：从模型竞赛到应用为王]]></title><link>https://blog.csdn.net/ge20040119/article/details/140304491</link><guid>https://blog.csdn.net/ge20040119/article/details/140304491</guid><author>ge20040119</author><pubDate>Wed, 10 Jul 2024 07:00:00 +0800</pubDate><description><![CDATA[他认为，一个“超级能干”的应用，即使其DAU不高，但只要能在特定领域或场景中发挥巨大作用，创造显著的经济和社会效益，那么它的价值就是不可估量的。因此，在推动大模型技术发展的同时，我们也需要关注其在实际应用中的可行性和可持续性。他强调“卷应用”而非“卷模型”，意味着我们应该将更多的精力和资源投入到AI技术的实际应用中，探索其在各行各业中的潜在价值，解决行业痛点，提升社会效率。李彦宏的发言为我们指明了AI技术发展的正确方向：即注重技术向应用的转化，避免陷入“超级应用陷阱”，并关注AI时代的价值重构。]]></description><category></category></item><item><title><![CDATA[基于单层RNN的股价预测系统：数据预处理、模型训练、预测与结果可视化]]></title><link>https://blog.csdn.net/ge20040119/article/details/140303748</link><guid>https://blog.csdn.net/ge20040119/article/details/140303748</guid><author>ge20040119</author><pubDate>Tue, 09 Jul 2024 18:59:01 +0800</pubDate><description><![CDATA[本项目成功地将单层RNN应用于股价预测任务中，通过系统的数据预处理、模型构建与训练、预测及结果可视化、以及结果存储与评估等步骤，验证了RNN在处理时间序列数据方面的有效性。然而，需要注意的是，股价预测受到多种因素的影响，包括市场趋势、政策变化、公司基本面等，因此模型的预测结果仅供参考，并不能作为投资决策的唯一依据。]]></description><category></category></item><item><title><![CDATA[使用VGG16和MLP实现猫狗图像识别]]></title><link>https://blog.csdn.net/ge20040119/article/details/140276221</link><guid>https://blog.csdn.net/ge20040119/article/details/140276221</guid><author>ge20040119</author><pubDate>Tue, 09 Jul 2024 08:45:00 +0800</pubDate><description><![CDATA[使用VGG16和多层感知机（MLP）结合的方法来实现猫狗图像识别，是一种结合了迁移学习和传统机器学习分类器的有效策略。具体实现中，首先利用预训练的VGG16模型作为特征提取器，该模型已经在大型图像数据集（如ImageNet）上进行了训练，因此能够捕捉到图像中的高级特征。然后，从VGG16模型的某一层（通常是全连接层之前的全局平均池化层或卷积层的输出）提取特征，并将这些特征作为输入传递给一个较简单的MLP模型进行分类。]]></description><category></category></item><item><title><![CDATA[基于MNIST数据集的MLP模型实现0-9数字分类及性能评估总结]]></title><link>https://blog.csdn.net/ge20040119/article/details/140268256</link><guid>https://blog.csdn.net/ge20040119/article/details/140268256</guid><author>ge20040119</author><pubDate>Mon, 08 Jul 2024 15:02:05 +0800</pubDate><description><![CDATA[在本次项目中，我们成功地使用Keras框架构建了一个多层感知机（MLP）模型，实现了对MNIST数据集中0-9十个手写数字的分类任务。MNIST数据集是计算机视觉和机器学习领域的一个经典数据集，包含了大量的手写数字图像及其对应的标签，是初学者进行图像识别研究的理想选择。]]></description><category></category></item><item><title><![CDATA[基于卷积神经网络（CNN）的猫狗图像分类系统实现]]></title><link>https://blog.csdn.net/ge20040119/article/details/140266111</link><guid>https://blog.csdn.net/ge20040119/article/details/140266111</guid><author>ge20040119</author><pubDate>Mon, 08 Jul 2024 14:35:03 +0800</pubDate><description><![CDATA[在本文中，我们深入探讨了如何使用卷积神经网络（CNN）来构建一个猫狗图像分类系统。这个系统能够自动地从输入图像中识别出是猫还是狗，展示了深度学习在图像处理领域的强大能力。本文通过构建基于卷积神经网络的猫狗图像分类系统，展示了深度学习在图像处理领域的强大潜力和应用前景。从数据准备、模型设计与选择、模型训练与优化到模型评估与测试，我们详细介绍了整个实现过程，并探讨了系统的实际应用和未来发展方向。通过这次实践，我们不仅加深了对深度学习技术的理解，还积累了宝贵的项目经验。]]></description><category></category></item><item><title><![CDATA[基于AgentScope框架，搭建简单的Agent应用代码]]></title><link>https://blog.csdn.net/ge20040119/article/details/138764393</link><guid>https://blog.csdn.net/ge20040119/article/details/138764393</guid><author>ge20040119</author><pubDate>Sun, 12 May 2024 20:10:11 +0800</pubDate><description><![CDATA[随着大型语言模型 （LLM） 的快速发展，多智能体应用取得了重大进展。然而，协调代理合作的复杂性和 LLM 不稳定的性能给开发健壮高效的多智能体应用程序带来了显著的挑战。而AgentScope能够很好的适应开发所带来的困难，能够帮助开发人员搭建想要的智能体应用。]]></description><category></category></item></channel></rss>