深度学习在图像识别中的应用
本文将探讨深度学习在图像识别中的应用，通过分析深度学习的基本概念、常用模型以及其在图像识别中的具体应用案例，帮助读者了解这一前沿技术。同时，我们还将讨论深度学习在图像识别中的优势与挑战，并展望其未来发展方向。
多模态模型评测框架lmms-eval发布！全面覆盖，低成本，零污染
【9月更文挑战第15天】LMMS-EVAL 是一项由多家研究机构联合开发的多模态模型评测框架，旨在为大型多模态模型提供全面、低成本且零污染的评测基准。该框架包含超过50个任务和10多个模型，覆盖图像分类、目标检测、语音识别等多个领域，使研究人员能够在有限资源下轻松评估和比较模型性能。通过利用实时更新的数据源，LMMS-EVAL 还确保了模型在真实世界中的泛化能力。论文地址: https://arxiv.org/abs/2407.12772
深度学习入门：理解卷积神经网络（CNN）
【9月更文挑战第14天】本文旨在为初学者提供一个关于卷积神经网络（CNN）的直观理解，通过简单的语言和比喻来揭示这一深度学习模型如何识别图像。我们将一起探索CNN的基本组成，包括卷积层、激活函数、池化层和全连接层，并了解它们如何协同工作以实现图像分类任务。文章末尾将给出一个简单的代码示例，帮助读者更好地理解CNN的工作原理。
基于NSCT非采样轮廓波变换和CNN网络人脸识别matlab仿真
本项目展示了一种结合非采样轮廓波变换（NSCT）与卷积神经网络（CNN）的人脸识别系统。通过NSCT提取多尺度、多方向特征，并利用CNN的强大分类能力实现高效识别。项目包括ORL人脸库的训练结果对比，提供Matlab 2022a版本下的完整代码及详细中文注释，另有操作步骤视频指导。