vue-chartjs 是 Vue 对于 Chart.js 的封装. 你可以很简单的创建可复用的图表组件.
导入混合图后,图像显示区会显示混合图每张子图,通过方向键左右切换,或者通过标注工具栏中图片id切换
Dash是基于Flask的Python可视化工具,严格说来由三个部分组成,首先是Flask提供了标准web环境,再次是plotly这个图表可视化工具,最后是与dash相配套的html、图表等交互式组件。本人也陆续试过pyechart,但就集成性和可视化而言,与dash还是有一定差距。
今天介绍的 是北京大学深圳研究生院与密歇根州立大学合作发表在Nature Communications的一篇文章。
医疗一直是人工智能研究最为热门的领域之一。随着近几年人工智能技术的飞速发展,如何将最先进的技术有效的应用于临床领域,获得了更多的关注。数据、算法、计算力、专业性四大要素促进着医疗人工智能的发展。由北京大学主办、北京大学健康医疗大数据国家研究院和北京大学人工智能研究院承办 、上工医信和北京大学信息技术高等研究院协办的“北京大学国际眼底图像智能识别竞赛 ”,是国内首次面向国际举办的眼科疾病智能识别竞赛。上工医信将为参赛者提供5000组包含患者的性别、年龄、双眼彩色眼底照片和医生的诊断关键词等的结构化脱敏后眼科的数据集。该数据集来自于在合作医院及医疗机构进行眼健康检查的患者们。基于这个数据集,参赛者将会有一个现实的临床环境中进行眼科疾病识别比赛。本次比赛旨在为有志于医疗人工智能产品开发的潜在人才提供一个同台竞技的机会,并从中发现和选拔优秀的创新型人才,促进我国医疗人工智能在视网膜图像分析领域的应用。
手绘动画已经存在了超过100多年,即使在电子产品时代也是十分流行,可以使用绘图平板电脑或者数字软件进行手绘。
https://github.com/nie-lang/DeepRectangling
BlazorChartjs是一个在Blazor中使用Chart.js的库(支持Blazor WebAssembly和Blazor Server两种模式),它提供了简单易用的组件来帮助开发者快速集成数据可视化图表到他们的 Blazor 应用程序中。本文我们将一起来学习一下在Blazor中使用Chart.js快速创建图表。
在深度学习项目中,寻找数据花费了相当多的时间。但在很多实际的项目中,我们难以找到充足的数据来完成任务。
在图像分类和文本分类等应用中,当今使用的几乎所有表现最好的机器学习模型几乎都会用到数据增强技术。启发式的数据增强方案往往需要依靠具有丰富领域知识的人类专家进行人工调整,但这可能导致所得到的增强方案是次优的。本文将概述性地介绍数据增强研究领域近期的研究成果,包括用于自动化搜索变换函数的过程的新算法、帮助我们理解实践中常用的多种增强技术的理论见解、一种利用数据增强修补有缺陷模型并提升其在数据的关键子集上的表现的新框架。
遥感(Remote Sensing,缩写为RS)是指非接触式、远距离的探测技术。遥感技术通常使用航空航天平台、按照特定的波段对地球或其他天体进行成像观测,通过分析观测数据,探测地球或其他天体资源与环境。遥感技术在现代化社会中十分重要,它能够在一定程度上体现一个国家的经济实力和科技水平,故一直受到世界大国的高度重视。自从美国的陆地卫星Landat-1和法国的SPOT-1卫星相继升空,世界进入了高分辨率遥感技术发展和应用的新时代。2001年,美国发射的QuickBird卫星可采集分辨率为0.61m/像素的全彩色图像和2.44m/像素的多光谱图像,标志着世界进入“亚米级”高空间分辨率[2]遥感时代。在20世纪80年代后,我国遥感技术也进入飞速发展时期。风云气象卫星和资源系列卫星的成功发射为我国卫星遥感事业的发展奠定了坚实的基础。2006年到2016年间,我国陆续将遥感卫星一号到遥感卫星三十号共30个卫星送入太空,这些卫星在我国国土资源普及、防灾减灾等领域发挥了重要的作用。2013年到2018年间,我国相继将高分一号到高分六号等高分辨率卫星送入太空,其在国土统计、城市规划、路网设计、农作物估计和抗灾救援等领域取得了突出的成就。
人脸检测的目标是找出图像中所有的人脸对应的位置,算法的输出是人脸外接矩形在图像中的坐标,可能还包括姿态如倾斜角度等信息。常用的人脸检测数据库包括:FDDB和WIDER FACE。
Quality Evaluation for Image Retargeting With Instance Semantics
Earth Engine Explorer (EE Explorer) 是一个轻量级地理空间图像数据查看器,可以访问Earth Engine Data Catalog 中提供的大量全球和区域数据集。它允许快速查看数据,并能够在地球上的任何地方进行缩放和平移、调整可视化设置以及对数据进行分层以检查随时间的变化。
编译 | 庞佳 责编 | Leo 出品 | 人工智能头条(公众号ID:AI_Thinker) 【AI 科技大本营按】本文编译自 Adrian Rosebrock 发表在 PyImageSearch 上的一篇博文。该博文缘起于一位网友向原作者请教的两个关于目标检测的问题: 如何过滤或忽略我不感兴趣的类? 如何在目标检测模型中添加新的类?这是否可行? Adrian Rosebrock 认为这两个问题是学习目标检测的同学经常问到的问题,于是创作了本篇文章统一回答。 以下为博文摘录,AI 科技大本营编译: 具体来
AI 科技大本营按:本文编译自 Adrian Rosebrock 发表在 PyImageSearch 上的一篇博文。该博文缘起于一位网友向原作者请教的两个关于目标检测的问题:
数据增强(DA)是训练最先进的深度学习系统的必要技术。在今天分享中,实证地表明数据增强可能会引入噪声增强的例子,从而在推理过程中损害非增强数据的性能。
为了缓解上述问题,有研究者提出了一种简单而高效的方法,称为保持增强(KeepAugment),以提高增强图像的保真度。其主要思想是首先使用显著性map来检测原始图像上的重要区域,然后在增强过程中保留这些信息区域。这种信息保护策略使我们能够生成更忠实的训练示例。
近日,「德睿智药」与帝国理工学院的合作论文“Automated molecular structure segmentation from documents using ChemSAM”发表在国际顶级化学信息学期刊Journal of Cheminformatics上。研究团队开发了一种基于深度学习的高性能化学结构分割模型ChemSAM,利用大模型框架从化合物的图形表示中识别其结构。该模型在公开基准数据集和实际任务上取得了当前最优效果,能够高效提取期刊文献以及专利中的化学结构。目前,ChemSAM已成功应用于「德睿智药」内部PROTACT数据库以及PharmKG平台项目研发,加速高质量化学信息收集。
在机器学习和神经网络中,关于猫狗的识别就像各语言的hello world一样,我也不例外,神经网络是一种监督学习方法,预想取之必先与之,所以首先是数据标注,通过labelme进行数据标注,将图片和标签进行关联,再通过神经网络对图片和标签进行训练也就是学习的过程,最后通过测试集进行模型预测也就是验证的过程。
文章:Camera-IMU Extrinsic Calibration Quality Monitoring for Autonomous Ground Vehicles
NLP方向:Hugging Face – The AI community building the future.
Dataset之CIFAR-10:CIFAR-10数据集的简介、下载、使用方法之详细攻略
关于临床预测模型的基础知识,小编之前已经写过非常详细的教程,包括了临床预测模型的定义、常用评价方法、列线图、ROC曲线、IDI、NRI、校准曲线、决策曲线等。
作者: Adrian Rosebrock 机器之心编译 目标检测技术作为计算机视觉的重要方向,被广泛应用于自动驾驶汽车、智能摄像头、人脸识别及大量有价值的应用上。这些系统除了可以对图像中的每个目标进行识别、分类以外,它们还可以通过在该目标周围绘制适当大小的边界框来对其进行定位。本文作者从图像识别与目标检测的区别开始,进一步简单介绍了目标检测的基本模块与实现方法。本文是目标检测的一般指南,它并没有详细介绍主流的目标检测算法,这些算法读者可参考从 RCNN 到 SSD,这应该是最全的一份目标检测算法盘点
欢迎关注“ 计算机视觉研究院 ” 计算机视觉研究院专栏 作者:Edison_G 数据增强(DA)是训练最先进的深度学习系统的必要技术。在今天分享中,实证地表明数据增强可能会引入噪声增强的例子,从而在推理过程中损害非增强数据的性能。 长按扫描二维码关注我们 一、前言&简要 为了缓解上述问题,有研究者提出了一种简单而高效的方法,称为保持增强(KeepAugment),以提高增强图像的保真度。其主要思想是首先使用显著性map来检测原始图像上的重要区域,然后在增强过程中保留这些信息区域。这种信息保护策略使我
https://pan.baidu.com/s/1PK3VoarNl3kRibbsUTuyAQ
深度学习第一步就是制作数据集,手动去标注一些数据。本文将介绍一个用于图像数据标注的软件:labelme,并介绍它的安装方法,使用方法等。
什么是预处理? 您将在 Google Earth Engine (GEE) 中找到的大部分数据都经过一定程度的预处理。这涉及多种不同的质量控制方法,以确保栅格集合中的最高级别的准确性和一致性。根据收集的不同,可能有多种可用的预处理级别,了解差异以成功地将遥感数据集成到生态研究中是很重要的。在 GEE 中提供数据之前,出版商一致解决图像产品的三个常见错误来源:大气(即空气化学)、地形(即高程)和几何(即像素一致性)。
作者:Ta-Ying Cheng翻译:陈之炎校对:车前子 本文约2000字,建议阅读5分钟随机混合图像,效果是不是会更好?
很多实际的项目,我们都难以有充足的数据来完成任务,要保证完美的完成任务,有两件事情需要做好:(1)寻找更多的数据。(2)充分利用已有的数据进行数据增强,今天就来说说数据增强。
数据增强也叫数据扩增,意思是在不实质性的增加数据的情况下,让有限的数据产生等价于更多数据的价值。
自然语言表征模型最近受到非常多的关注,很多研究者将其视为 NLP 最重要的研究方向之一。例如在大规模语料库上预训练的 BERT,它可以从纯文本中很好地捕捉丰富的语义模式,经过微调后可以持续改善不同 NLP 任务的性能。因此,我们获取 BERT 隐藏层表征后,可用于提升自己任务的性能。
文章:SemSegMap - 3D Segment-Based Semantic Localization
编译 | Antonio 编辑 | 陈彩娴 伴随深度学习的不断日常化,数据集中的偏见(bias)和公正性(fairness)已经成为一个热门研究方向。 偏见在AI领域是一个很棘手的话题:有些偏见是有益的,例如噪声数据可以增加模型的鲁棒性,有些偏见是有害的,例如倾向对有色人种识别错误。 而且,当我们得到一个不完美的模型的时候,其中的数据集到底存在什么偏见?这些偏见是如何产生的? 谷歌的PAIR (People + AI Research)团队最近发表了一篇博文,用一个很简单有趣的例子讨论了这些问题。 原文
DarkLabel是一个轻量的视频标注软件,相比于ViTBAT等软件而言,不需要安装就可以使用, 本文将介绍darklabel软件的使用指南。
前面介绍了torchvison框架下Faster-RCNN对象检测模型使用与自定义对象检测的数据集制作与训练。在计算机视觉所要面对的任务中,最常见的就是对象检测、图像语义分割跟实例分割,torchvision支持Mask-RCNN模型的调用与自定义数据训练,可以同时实现对象检测与实例分割任务。本文主要跟大家分享一下如何使用mask-rcnn网络实现对象检测与实例分割,下一篇将会介绍如何制作数据集训练Mask-RCNN网络。
你的程序有多么依赖数据?即使应用程序不完全面向业务,你也可能需要管理面板、仪表板、性能跟踪以及用户非常喜欢的类似分析功能的数据。
分类问题典型的应用就是教会机器如何去自动识别图片中物体的种类。本章中主要是介绍了MNIST数据集。
决策树是一个非常有意思的模型,它的建模思路是尽可能模拟人做决策的过程。因此决策树几乎没有任何抽象,完全通过生成决策规则来解决分类和回归问题。因为它的运行机制能很直接地被翻译成人类语言,即使对建模领域完全不了解的非技术人员也能很好地理解它。因此在学术上被归为白盒模型(white box model)。
图像分割是计算机视觉中除了分类和检测外的另一项基本任务,它意味着要将图片根据内容分割成不同的块。相比图像分类和检测,分割是一项更精细的工作,因为需要对每个像素点分类。
ResNet在2015年被提出,在ImageNet比赛classification任务上获得第一名,因为它“简单与实用”并存,之后很多方法都建立在ResNet50或者ResNet101的基础上完成的,检测,分割,识别等领域里得到广泛的应用。它使用了一种连接方式叫做“shortcut connection”,顾名思义,shortcut就是“抄近道”的意思,下面是这个resnet的网络结构:
CIFAR-10和CIFAR-100被标记为8000万个微小图像数据集的子集。他们由Alex Krizhevsky,Vinod Nair和Geoffrey Hinton收集。
深度学习对于图像的分析、识别以及语义理解具有重要意义。“图像分类”、“对象检测”、“实例分割”等是深度学习在图像中的常见应用。为了能够建立更好的训练数据集,我们必须先深入了解基本的图像处理技术,例如图像增强,包括裁剪图像、图像去噪或旋转图像等。其次基本的图像处理技术同样有助于光学字符识别(OCR)。
AI 科技评论按:本文发布于 Google AI Blog,介绍了 Google 一项最新研究成果——自监督学习下的视频着色模型,还可以直接用于视频目标跟踪和人体姿态估计。AI 科技评论根据原文进行了编译。
图像去噪是计算机视觉领域的传统方向,对于可见光图像、视频、核磁图像等的处理仍应用广泛,在工业和学术界引起很多人的关注,基于BM3D(block-matching 3D ,2007)框架的系列算法是该领域的著名方法,其结合图像非局部相似的属性和变换域的稀疏表示,在深度学习用于CV各领域的今天仍有用武之地。
【导读】下图是 2008 年伊朗政府发布的一张图片,然而强大的网友们却凭借着肉眼,看出来图中黄色圈出的部分和红色圈出的部分是一模一样的,不得不说网友们真的是火眼金睛。而在今年的 CVPR 计算机视觉大会, Adobe 展示了他们最新的研究,旨在利用机器学习识别经过处理过的图像。这篇研究论文在业内虽然谈不上什么突破性,而且也还没有转化为商业化产品,但是看到作为图像编辑软件龙头老大的 Adobe 进行这样的研究,着实是一件有趣的事。今天人工智能头条就为大家介绍一下这个有趣的工作!
领取专属 10元无门槛券
手把手带您无忧上云