【数学建模应用】算法实战案例精讲300篇(补充)
文章平均质量分 95
该专栏是对【数学建模应用】算法实战案例精讲300篇(持续更新ing)专栏的一个补充,实战应用。
林聪木
巧笑倩兮,美目盼兮,素以为绚兮
展开
-
算法实战应用案例精讲-【图像处理】跨平台C++应用程序开发框架QT应用详解
Qt是一个跨平台的C++应用程序开发框架。它由Qt Company(前身为Nokia)开发,用于开发图形用户界面、嵌入式系统、以及其他应用程序,支持Windows、macOS、Linux、Android和iOS等多个操作系统。Qt框架提供了丰富的功能和工具,包括图形用户界面设计、数据库操作、网络编程、文件处理等。它还包括了一个广泛的类库,开发者可以使用这些类来加速应用程序的开发过程。Qt还具有良好的文档和社区支持,因此广泛用于各种类型的应用程序开发,包括桌面应用、移动应用、嵌入式系统等。转载 2024-04-17 00:30:00 · 2866 阅读 · 0 评论 -
目标检测YOLO实战应用案例100讲-Open3D 点云数据处理基础(Python版))-目前最详细版
Open3D是一个开源库,支持快速开发处理3D数据的软件。Open3D后端是用C++实现的,经过高度优化并通过Python的前端接口公开。Open3D提供了三种数据结构:点云(point cloud)、网格(mesh)和RGB-D图像。对于每个表示,open3D都实现了一整套基本处理算法,如I/O、采样、可视化和数据转换。此外,还包括一些常用的算法,如法线估计、ICP配准等。模块功能Geometry 几何模块数据结构和基本处理算法Camera 相机模块相机模型和相机轨迹。转载 2024-04-16 00:30:00 · 43 阅读 · 0 评论 -
目标检测YOLO实战应用案例100讲--一文详解目标检测相关知识(最全系列)
如何从图像中解析出可供计算机理解的信息,是机器视觉的中心问题。深度学习模型由于其强大的表示能力,加之数据量的积累和计算力的进步,成为机器视觉的热点研究方向。那么,如何理解一张图片?根据后续任务的需要,有三个主要的层次。图像理解的三个层次,即是将图像结构化为某一类别的信息,用事先确定好的类别(string)或实例ID来描述图片。这一任务是最简单、最基础的图像理解任务,也是深度学习模型最先取得突破和实现大规模应用的任务。转载 2024-02-06 00:30:00 · 196 阅读 · 0 评论 -
算法实战应用案例精讲-【深度学习】如何从零开始构建深度学习项目?
本文主题为「如何启动一个深度学习项目?」,分为以下六个部分:第一部分:启动一个深度学习项目第二部分:创建一个深度学习数据集第三部分:设计深度模型第四部分:可视化深度网络模型及度量指标第五部分:深度学习网络中的调试第六部分:改善深度学习模型性能及网络调参很多人工智能项目其实并没有那么严肃,做起来还很有趣。2017 年初,我着手启动了一个为日本漫画上色的项目,并作为我对生成对抗网络 ( GAN ) 研究的一部分。这个问题很难解决,但却很吸引人,尤其是对于我这种不会画画的人来说!在寻找项目时,不要局限于增量性改进转载 2024-01-31 00:30:00 · 35 阅读 · 0 评论 -
算法实战应用案例精讲-【计算机应用】特斯拉技术深度解析
特斯拉今年在感知方面的一个重点技术就是Occupancy Network (占据网络)。研究机器人技术的同学肯定对occupancy grid不会陌生,occupancy表示空间中每个3D体素(voxel)是否被占据,可以是0/1二元表示,也可以是[0, 1]之间的一个概率值。因为在行驶中,除了常见障碍物如车辆、行人,我们可以通过3D物体检测的方式来估计他们的位置和大小,还有更多长尾的障碍物也会对行驶产生重要影响。例如:1.可变形的障碍物,如两节的挂车,不适合用3D bounding box来表示;转载 2023-12-04 00:30:00 · 586 阅读 · 0 评论 -
算法实战应用案例精讲-【大模型应用】GPT-4V是怎么开车的
自动驾驶车辆的完全自主的追求一直以来都受到了依赖感知、决策和规划控制系统的管道限制。无论是基于数据驱动的算法还是基于规则的方法,在许多关键领域都存在不足。具体来说,它们在准确感知开放词汇对象和解释周围交通参与者行为意图方面存在弱点。这是因为传统方法只能描述有限获取的数据中的抽象特征,或者根据预定的规则来解决问题,而缺乏处理罕见但重要的特殊情况的“常识”,并且无法从数据中概括驾驶相关的知识,以实现对复杂场景的深入理解和有效的因果推理。转载 2023-11-24 00:30:00 · 47 阅读 · 0 评论 -
MATLAB算法实战应用案例精讲-【图像处理】目标检测
如何理解一张图片?根据后续任务的需要,有三个主要的层次。图像理解的三个层次,即是将图像结构化为某一类别的信息,用事先确定好的类别(string)或实例ID来描述图片。这一任务是最简单、最基础的图像理解任务,也是深度学习模型最先取得突破和实现大规模应用的任务。其中,ImageNet是最权威的评测集,每年的ILSVRC催生了大量的优秀深度网络结构,为其他任务提供了基础。在应用领域,人脸、场景的识别等都可以归为分类任务。转载 2023-11-05 00:30:00 · 605 阅读 · 0 评论 -
漫谈自动驾驶-自动驾驶最新的技术栈有哪些,一文讲清楚
10多年来,自动驾驶一直是一个热门话题。2004年和2005年,DARPA举办了乡村无人车大赛。2007年,DARPA还举办了城市环境中的自动驾驶大赛。之后,斯坦福大学的S.Thrun教授(2005年冠军和2007年亚军)加入谷歌,建立了Google X和自动驾驶团队。最近有三篇关于自动驾驶的调查报告[3,9,14]。自动驾驶作为机器学习和计算机视觉等人工智能领域最具挑战性的应用之一,已经被证明是一个"长尾"问题,即少量类别占据了绝大多少样本,而大量的类别仅有少量的样本。在本文中,我们研究了如何在数据闭环中转载 2023-10-13 00:30:00 · 286 阅读 · 0 评论 -
算法实战应用案例精讲-特征工程| 图解机器学习
首先我们来了解一下『特征工程』。事实上大家在ShowMeAI的实战系列文章 Python机器学习综合项目-电商销量预估[2] 和 Python机器学习综合项目-电商销量预估(进阶)[3] 中已经看到了我们做了特征工程的处理。如果我们对特征工程(feature engineering)做一个定义,那它指的是:利用领域知识和现有数据,创造出新的特征,用于机器学习算法;可以手动或自动。在业界有一个很流行的说法:据与特征工程决定了模型的上限,改进算法只不过是逼近这个上限而已。转载 2023-09-07 00:30:00 · 282 阅读 · 0 评论 -
算法实战应用案例精讲-B站基于ClickHouse的海量用户行为分析应用实践
但本身这种性能提升是以资源消耗为前提的。首先准实时清洗DWD层B站千亿明细行为数据,流量数据都是分为私有参数和公有参数,其中公有参数在用户粒度下是不会经常改变的,我们会用一般聚合函数取一定时间内指定设备和行为事件下最新保留的不变公有参数,而将同等粒度下变化比较频繁的私有参数维度名写入Array结构,利用map索引原理,把私参维度值组合通过spark自定义逻辑计数并入map的key中,map的value则用来写入各种公共指标聚合结果,整个过程均通过spark脚本实现,最终写入到Iceberg引擎中。转载 2023-05-30 11:06:29 · 527 阅读 · 0 评论 -
算法实战应用案例精讲-『XGBoost』建模应用详解 | 图解机器学习
XGBoost支持在训练过程中,自定义损失函数和评估准则,其中损失函数的定义需要返回损失函数一阶和二阶导数的计算方法,评估准则部分需要对数据的label和预估值进行计算。其中损失函数用于训练过程中的树结构学习,而评估准则很多时候是用在验证集上进行效果评估。print('使用自定义损失函数进行交叉验证')# 自定义损失函数,需要提供损失函数的一阶导和二阶导# 自定义评估准则,评估预估值和标准答案之间的差距# 自定义损失函数训练# 交叉验证使用自定义损失函数进行交叉验证。转载 2022-09-28 02:00:00 · 2391 阅读 · 0 评论 -
MATLAB算法实战应用-【应用案例篇】常识性概念图谱建设以及在美团场景中的应用
常识性概念图谱就是建立概念与概念之间的关系,帮助自然语言文本的理解。同时我们的常识性概念图谱侧重美团场景,帮助提升美团场景中的搜索、推荐、Feeds流等的效果。是什么,概念是什么,建立核心概念是什么的关联体系。例如“维修洗衣机”,“维修”是什么,“洗衣机”是什么。什么样,核心概念某一方面的属性,对核心概念某一方面的细化。“带露台的餐厅”、“亲子游乐园”、“水果千层蛋糕”中“带露台”、“亲子”、“水果千层”这些都是核心概念某一个方面的属性,所以需要建立核心概念对应属性以及属性值之间的关联。给什么。转载 2022-10-03 02:00:00 · 834 阅读 · 0 评论