- 打造跨界交流与深度学习平台,腾讯南山学堂正式开班
- 腾讯南山学堂是腾讯云联合腾讯学堂,为核心伙伴高管量身打造的跨界交流与深度学习平台,旨在帮助参与学员在面向充满挑战和机遇的市场环境时,第一时间了解宏观政策动态、洞察科技前沿发展变化。
- 微美全息推出基于无监督波场深度学习的声学全息图重建技术
- 在声学和图像处理领域,声学全息图是一项重要的技术,用于可视化声波在不同对象和介质中传播和相互作用的方式。这项技术在多个领域都有广泛的应用,如医疗成像、工业无损检测、材料科学、地质勘探等,然而,传统的声学全息图重建方法通常需要大量的计算资源和人工干预,限制了其在实际应用中的效率和可行性。这导致了需要一种更加高效和自动化的方法来解决这些问题。
- 微美全息构建基于深度学习的多视图混合推荐模型,提供精准和个性化服务
- 为了帮助用户更好地发现和获取感兴趣的内容,推荐系统应运而生。传统的推荐系统主要基于用户行为数据和内容特征来进行推荐,但这些方法往往存在一些问题,如数据稀疏性、冷启动问题和推荐准确性不高等。
- 微美全息探索基于深度学习的多视图点云重建算法的技术创新与应用
- 可以设计不同的网络结构来处理不同类型的点云数据,或者通过调整损失函数来优化算法的性能。这使得算法在应对不同的点云重建需求时更加灵活。深度学习算法还可通过学习大量的标注数据,能够学习到点云数据中的特征和规律,从而能够更准确地重建点云。相比于传统的基于规则或几何模型的算法,深度学习算法能够更好地捕捉到点云中的细节和复杂性。
- 微美全息布局基于深度学习的非线性全息图像修复技术,提升全息图像的可视化效果
- 微美全息将深度学习技术运用于非线性全息图像修复中,积极探索基于深度学习的非线性全息图像修复的技术创新与应用。基于深度学习的非线性全息图像修复技术利用深度神经网络模型,通过学习大量的全息图像数据,能自动学习到非线性失真的特征表示,并在修复过程中进行准确的预测。
- 数链科技应邀出席WAVE SUMMIT 2023深度学习开发者大会并做主题分享
- 8月16日,由深度学习技术及应用国家工程研究中心主办,百度飞桨和文心大模型承办的WAVE SUMMIT 2023深度学习开发者大会在京举办。数链科技产品副总裁张媚应邀出席峰会平行论坛——“产业共振 智能涌现”,并发表《多模型融合助力大宗商品供应链的标准化提升》的主题演讲。
- 微美全息开发基于深度学习SLAM算法技术,驶向数字时代的前沿探索
- 深度学习在计算机视觉领域取得了突破性的进展,尤其是在目标检测、语义分割和姿态估计等任务上取得了显著的成果。这些成果引发了人们对将深度学习应用于SLAM问题的研究兴趣。
- 全息数字重建进入新纪元,微美全息开发基于深度学习的全息重建网络
- WIMI微美全息这一新的全息重建网络的核心在于采用了深度学习的方法,充分利用了深度神经网络的拟合能力和特征提取能力。深度学习的优势在于其灵活性和强大的训练算法,可以逼近任何连续函数。通过数据驱动的方式,全息重建网络可以自动学习到全息图像的特征表示和重建过程,无需依赖繁琐的先验知识和手动操作。这为全息技术的应用带来了巨大的潜力和便利性。
- 微美全息开发基于深度学习的个性化视频推荐技术
- 微美全息根据行业发展需求开发了基于深度学习的个性化视频推荐方法,为深度学习下的个性化视频推荐研究提供新的思路和方向。
- 微美全息开发基于多模态深度学习技术优化视频个性化推荐系统
- WIMI微美全息基于深度学习技术和多模态数据的视频推荐系统,采用深度学习和多模态数据的整体流程模型。首先,该系统收集包含用户和视频的多模态信息的数据集。然后,系统将用户和视频的参数转换为包含非零奇异值的单值矩阵。接下来,训练一个具有多层卷积滤波器的卷积神经网络(CNN),以提高数据的级别分类能力。通过训练模型,利用细化的特征找到用户与电影之间的潜在关系,并根据相似度标准进行推荐。最后,基于相似度理论为用户推荐视频。
- 微美全息研究基于深度学习和图像融合的边缘检测算法,推动图像处理技术变革
- 微美全息正在研究基于深度学习和图像融合的边缘检测算法,通过对图像进行多尺度分析和特征提取,提高边缘检测的精确度和效率,解决边缘检测精细化和检测精度低的问题。
- 微美全息开发基于深度学习的3D计算机生成全息图技术
- 随着3D打印技术的逐渐成熟,3D计算机生成技术成为人们探索数字化世界的另一种方式。在这个领域,全息图技术是一种非常有前景的技术。全息图是一种利用光波干涉原理来实现3D效果的图像。
- 微美全息基于深度学习和神经网络开发高效的计算机生成全息技术
- 数字全息技术是一种基于干涉和衍射的物体波的记录和回放技术。然而,由于光学干扰容易受到环境的影响,记录过程总是受到许多因素的影响。计算机生成全息(CGH)技术是一种通过编码相干光波前的强度或相位来获得自定义光场分布的光场调制技术。
- AI进入“深度学习+”阶段 加速产业智能化升级
- 我国人工智能产业保持着快速增长的态势,人工智能技术在各个行业领域的创新应用纷纷落地。而“深度学习+”作为实现人工智能的一种技术方法,在AI工业大生产阶段中通用性越来越强,深度学习应用越来越广泛且深入。
- 深度学习技术解决表格识别难点,合合信息表格识别功能获用户青睐
- 基于分治思想,合合信息引入深度学习技术,将表格识别分为有线表识别和无线表识别两种方案。有线表识别中,合合信息利用语义分割、角点回归等技术方案还原有线表,在财报相关表格识别测试中,有线表识别单元格结构准确率高于98%。
- 华汉伟业AIDI Suite深度学习缺陷检测系统 解锁智能手机“智”造之路
- 智能手机生产主要分为贴片、测试、组装3大环节,共有80多道工序,每一个工序都需要进行检测,检测的标准各不相同,华汉伟业自研的AIDI Suite深度学习缺陷检测系统,能覆盖整个智能手机制造工序的自动化检测,为企业寻找成本最优,效率最高的解决方案,有效的推动手机“智”造转型。
- 阿里巴巴开源深度学习训练框架EPL 可支持10万亿参数超大模型
- 3月4日消息,阿里巴巴宣布完全开源支持10万亿模型的自研分布式深度学习训练框架EPL(Easy Parallel Library,原名whale),进一步完善深度学习生态。
- 阿里 BladeDISC 深度学习编译器正式开源
- 随着深度学习的不断发展,AI模型结构在快速演化,底层计算硬件技术更是层出不穷,对于广大开发者来说不仅要考虑如何在复杂多变的场景下有效的将算力发挥出来,还要应对计算框架的持续迭代。深度编译器就成了应对以上问题广受关注的技术方向,让用户仅需专注于上层模型开发,降低手工优化性能的人力开发成本,进一步压榨硬件性能空间。阿里云机器学习PAI开源了业内较早投入实际业务应用的动态shape深度学习编译器 BladeDISC,本文将详解 BladeDISC的设计原理和应用。
- 优化深度学习框架,TensorRT优化神器新版玩大了
- 现在的人工智能深度学习程序,依赖并行计算和大量数据,所以很多情况是不是不能实现,而是实现的成本太大。以至于时有理论上都存在,现实中划不来的情况。想必关注这些领域的朋友也知道机智客的意思。因此这也让很多特别是大型的深度学习程序不便落地而只能出现在实验室里或者在巨头有钱人的手里,毕竟海量的数据和惊人的算力硬件往往只有有钱人或巨头才能负担得起。
- Socionext 和日本东北大学显著加快基于深度学习的 SLAM 处理
- Socionext Inc. 与Takayuki Okatani 教授领导的日本东北大学研究小组合作,开发了一种新方法,可以减少 SLAM(同步定位和映射)所需的处理时间, 这对于执行自主控制的设备至关重要,时间仅为传统技术所需时间的 1/60。这种新方法使得在一些CPU 性能有限以及功耗有限的边缘设备的 SoC进行高级 SLAM 处理成为可能,例如自动驾驶汽车、AGV(自动导引车)、机器人、无人机和其他执行自主的设备控制,以及诸如 AR(增强现实)眼镜之类的设备。
推荐文章
更多>>重点文章
更多>>- 从高山奔向大海,智慧眼迈向通用人工智能重要一步
- 久其女娲平台2.0全新升级!AI大模型加速,赋能政企数治未来
- 赋予机器编程权:科技进步与失控可能性
- 百度CTO王海峰:智能体是重要发展方向,会带来更多应用爆发
- 浪潮信息发布企业大模型开发平台“元脑企智“EPAI,加速AI创新落地
- 钉钉会议DR-SwWPE算法登上国际顶会ICASSP2024
- 英特尔发布新一代神经拟态系统Hala Point,11.5亿神经元,12倍性能提升
- 百度AI开发者大会为何只选跨越速运 科技实力+定制服务给答案
- 引领大模型创新实践,加速迈向高阶自智网络
- 国内首个类脑智慧农业黑科技是一台田间“小货车”
- 中国电信开源12B星辰大模型,携手昇腾推进大模型全栈国产化进程
- ABeam(德硕)大语言模型系列 (2) :大语言模型的商业模式及应用