AI计算机视觉笔记二十：PaddleOCR环境搭建及测试
OCR技术广泛应用于日常生活中，与人脸识别一样常见。PaddleOCR是一个基于飞桨的OCR工具库，具有超轻量级中文OCR模型，支持中英文数字组合、竖排及长文本识别。本文档详细介绍了PaddleOCR的学习过程，包括环境搭建、安装、样本标注及测试步骤。使用AutoDL云平台进行环境创建，并提供了详细的命令行操作指南，帮助用户顺利完成PaddleOCR的部署与测试。
AI计算机视觉笔记二十三：PP-Humanseg训练及onnxruntime部署
本文介绍了如何训练并使用PaddleSeg的人像分割模型PP-HumanSeg，将其导出为ONNX格式，并使用onnxruntime进行部署。首先在AutoDL服务器上搭建环境并安装所需库，接着下载数据与模型，完成模型训练、评估和预测。最后，通过paddle2onnx工具将模型转换为ONNX格式，并编写预测脚本验证转换后的模型效果。此过程适用于希望在不同平台上部署人像分割应用的开发者。
【Java的SIMD革命】JDK 22向量API：释放硬件潜能，让Java应用性能飙升！
【9月更文挑战第7天】
JDK 22向量API的发布标志着Java编程语言在SIMD技术领域的重大突破。这一新特性不仅释放了现代硬件的潜能，更让Java应用性能实现了飙升。我们有理由相信，在未来的发展中，Java将继续引领编程语言的潮流，为开发者们带来更加高效、更加强大的编程体验。让我们共同期待Java在SIMD技术的推动下开启一个全新的性能提升时代！
2B多模态新SOTA！华科、华南理工发布Mini-Monkey，专治切分增大分辨率后遗症
【9月更文挑战第7天】华中科技大学与华南理工大学联合发布了一款名为Mini-Monkey的2B参数多模态大语言模型，采用多尺度自适应裁剪策略（MSAC）和尺度压缩机制（SCM），在高分辨率图像处理方面取得突破，尤其在文档理解上超越了8B参数的SOTA模型InternVL2-8B。Mini-Monkey仅需8张RTX 3090显卡即可完成训练，展现出高效性能，但处理复杂图像场景时仍存局限。论文详情见：https://arxiv.org/pdf/2408.02034。
基于深度学习的感知和认知系统
基于深度学习的感知-认知系统结合了感知和认知两大核心模块，旨在为机器提供从数据采集、分析到决策制定的一整套能力。这种系统模仿人类的感知（如视觉、听觉）和认知（如推理、决策）过程，能够高效地感知复杂环境，并进行智能决策。
鱼群算法
鱼群算法（FSA）是一种基于仿生学的群智能算法，模拟鱼群在水中集群、觅食和逃避捕食的行为，寻找问题空间中的全局最优解。该算法由李晓磊等人于2002年提出，通过初始化鱼群、评估适应度、更新行为和终止条件等步骤进行迭代优化。其优点包括实现简单、全局搜索能力强和自适应性好，但收敛速度较慢且易陷入局部最优。FSA已广泛应用于函数优化、路径规划、图像分割等领域，并有望通过改进性能、结合其他算法及拓展应用领域等方式进一步提升其应用价值。
比Stable Diffusion便宜118倍！1890美元训出11.6亿参数高质量文生图模型
【9月更文挑战第6天】最近，一篇论文在AI领域引起广泛关注，展示了如何以极低成本训练高质量文本生成图像（T2I）模型。研究者通过随机遮蔽图像中75%的patch并采用延迟遮蔽策略，大幅降低计算成本，同时结合Mixture-of-Experts（MoE）层提升性能。最终，他们仅用1890美元就训练出了一个拥有11.6亿参数的模型，在COCO数据集上取得12.7的FID分数。这一成果比Stable Diffusion成本低118倍，为资源有限的研究人员提供了新途径。尽管如此，该方法在其他数据集上的表现及进一步降低成本的可行性仍需验证。
ECCV 2024：南洋理工三维数字人生成新范式：结构扩散模型
【9月更文挑战第6天】南洋理工大学团队提出了一种名为StructLDM的新型三维数字人生成方法，旨在克服现有技术在图像合成质量、细节捕捉及人体结构建模等方面的不足。该方法通过结构化潜在空间、结构化3D感知解码器及结构化潜在扩散模型三项关键技术，实现了高质量的三维数字人生成与编辑，并在多个数据集上展示了卓越的性能和多样性。未来研究将进一步提升模型的鲁棒性和泛化能力。论文预计在ECCV 2024上展示。论文地址：https://arxiv.org/pdf/2404.01241。