u014546828的博客

李飞飞联合领导的斯坦福大学以人为本人工智能研究所（Stanford HAI）发布了《2024 年人工智能指数报告》，全面追踪了全球人工智能的发展趋势，更总结了十大核心趋势！这是该团队发布的最为详尽的报告，且其发布时机恰逢AI对社会的深远影响日益显现的重要时刻！强烈推荐阅读学习！ 【十大主要趋势】 1、人工智能在某些任务上胜过人类，但并非在所有任务上。 2、产业界继续主导人工智能前沿研究。 3、前沿模型变得更加昂贵。 4、美国领先中国、欧盟和英国，成为顶级人工智能模型的主要开发国家。 5、目前严重缺乏对大语言模型负责任的可靠和标准化评估。 6、生成式人工智能投资飙升。 7、人工智能使工人更有效率，并带来更高质量的工作。 8、人工智能崛起推动科学进步的速度愈发迅猛。 9、美国的人工智能法规数量呈现出急剧增加的趋势。 10、在全球范围内，公众对人工智能的潜在影响有了更为深刻的认识，同时伴随着日益增长的紧张情绪。【描述来自CVer https://wx.zsxq.com/dweb2/index/topic_detail/4844518514581258】

腾讯研究院发布的《工业大模型应用报告》，主要分析了大模型在工业智能化发展中的应用现状、机遇、挑战及未来展望，不论是以后离开学校工作还是留在学校科研，都值得一看以指导工作和研究方向。 大模型为工业智能化发展带来新机遇 大模型与小模型在工业领域的分布态势 工业大模型的构建模式 大模型在工业全链条的应用 工业大模型的挑战与展望

详细介绍如何上传GitHub项目！ 1. 先到github 个人网页上建立新的 2. 进入要上传的文件夹内，右键，选择 Git Bash Here 然后，出现如下界面。输入： git clone [刚才建立的新网址] 3. 这个时候，就建立本地 git 链接文件了（红框标记），这个文件可以理解为github与本地链接点。然后把所有要上传的文件拖进去。

最新最权威synset_words.txt，可用于OpenCV dnn模块caffe模型对图片进行分类，识别，做迁移学习，强化学习使用的标签参考。 放在与classification_demo.m同一个文件夹下。

bvlc_reference_caffenet.caffemodel 是 matlab 调用 caffe 时需要的 model 文件。放到caffe-master\models\bvlc_reference_caffenet文件夹下。

本文档涵盖了去雾算法在2008-2014年间的顶级论文，这些论文包括在17、18年顶级期刊和会议（CVPR,ECCV,ICCV）上的论文。本文档没有包含何凯明的DCP和导向滤波器论文。这两篇论文在网上比较好下载。

本文档涵盖了去雾算法在 2015-2016 年间顶级论文，这些论文包括在15、16年顶级期刊和会议（CVPR,ECCV,ICCV）上的论文。

本文档涵盖了2017-2018（3月之前）几乎全部的顶级论文，这些论文包括在17、18年顶级期刊和会议（CVPR,ECCV,ICCV）上的论文，也有许多是最新提出的基于深度学习模型的去雾算法，在arXiv上共享但还未发表。

陈俊龙教授团队“Broad Learning System: An Effective and Efficient Incremental Learning System Without the Need for Deep Architecture”的中文综述，原文将在IEEE Transactions on Neural Networks and Learning Systems, Vol. 29, Issue 1, 2018

本资源是 2016 CVPR 文章的代码. 文章原文题目是： A Probabilistic Collaborative Representation based Approach for Pattern Classification

17CVPR_CODE_Learning Dynamic Guidance for Depth Image Enhancement 17 cvpr 代码

Recent research on deep convolutional neural networks (CNNs) has focused primarily on improving accuracy. For a given accuracy level, it is typically possible to identify multiple CNN architectures that achieve that accuracy level. With equivalent accuracy, smaller CNN architectures offer at least three advantages: (1) Smaller CNNs require less communication across servers during distributed training. (2) Smaller CNNs require less bandwidth to export a new model from the cloud to an autonomous car. (3) Smaller CNNs are more feasible to deploy on FPGAs and other hardware with limited memory.

结合小波变换中相关系数理论，提出了一种基于小波变换的图像增强算法，该算法先区分小波域中由细节及噪声产生的高频系数，对由细节产生的信息进行增强，对噪声进行抑制·解决了通常算法中增强细节信号的同时也放大了噪声这个问题·实验表明，该算法在得到很好的图像增强的同时，能很好地抑制噪声，对于多噪声环境下的弱细节信号能达到很好的增强效果·