每日AI值得看--2023-05-24

[CSDN-Ada助手]

① 基于深度强化学习的目标驱动型视觉导航泛化模型（@Moresweet猫甜） [质量分：92；难度等级：高(领域：Python入门；匹配程度：0.05)；新鲜技术：99]
摘要：参考论文《Towards Generalization in Target-Driven Visual Navigation by Using Deep Reinforcement Learning》

② 【论文阅读系列】NWD-Based Model | 小目标检测新范式，抛弃IoU-Based暴力涨点(登顶SOTA) 计算机视觉（@北屿白） [质量分：85；难度等级：高(关键词：论文)；新鲜技术：99]
摘要：学好实变和测度论对机器学习是很有帮助的。对于暂时没有这些数学背景的同学，可以安全的把概率测度(probability measure)理解为概率分布(probability distribution)，只要关心的空间是。

③ anaconda、cuda、pytorch相关（@qq_42373007） [质量分：88；难度等级：中；新鲜技术：99]
摘要：在安装Runtime CUDA 的时候会附带nvcc编译器，所以nvcc打印的是运行时的CUDA版本，同样，torch.version.cuda打印的也是运行时CUDA的版本。（2）nvcc --version指的是运行时的cuda版本。

④ pytorch完整模型训练套路（@阿牛大牛中） [质量分：86；难度等级：中；新鲜技术：99]
摘要：CIFAR-10数据集包含60000张32x32彩色图像，分为10个类，每类6000张。有50000张训练图片和10000张测试图片。数据集分为五个训练batches和一个测试batch，每个batch有10000张图像。

⑤ 文档图像智能分析与处理：CCIG技术论坛的思考与展望（@海拥✘） [质量分：89；难度等级：初(领域：OpenCV；匹配程度：0.07)；新鲜技术：99]
摘要：CCIG技术论坛的文档图像智能分析与处理大会为该领域的研究者和从业者提供了一个宝贵的交流平台，推动了技术的进步和应用的发展。通过分享最新成果、讨论挑战与解决方案，并展望未来的发展方向，这次大会对该领域的发展起到了积极的推动作用。

⑥ 多模态大模型时代下的文档图像智能分析与处理（@盼小辉丶） [质量分：91；难度等级：初(领域：OpenCV；匹配程度：0.08)；新鲜技术：99]
摘要：随着人工智能技术的不断发展，尤其是深度学习技术的广泛应用，多模态数据处理和大模型训练已成为当下研究的热点之一，这些技术也为文档图像智能处理和分析领域带来了新的发展机遇。

⑦ 图神经网络GNN GCN AlphaFold2 虚拟药物筛选和新药设计（@丸丸丸子w） [质量分：90；难度等级：初；新鲜技术：99]
摘要：图的符号表示V是顶点集A是邻接矩阵X∈R^m*|V| 是节点特征的矩阵，m应该是每个节点的特征数量，比如社交网络里一个人有四个爱好：唱、跳、rap、篮球，那么m=4v：V中的一个节点；N(v)：节点v的邻居集合节点特征。

⑧ 机器学习-3 K最近邻算法（@so.far_away） [质量分：91；难度等级：初；新鲜技术：92]
摘要：用于分类任务的机器学习模型称为分类模型或分类器。分类任务的目标是通过训练样本构建合适的分类器C(X)，完成对目标的分类。分类类别只有两类的分类任务称为二值分类或者二分类，这两个类别分别称为正类和负类，通常用+1和-1分别指代。

⑨ 基于深度学习的交通标志检测和识别（从原理到环境配置/代码运行）（@阿利同学） [质量分：81；难度等级：初(领域：OpenCV；匹配程度：0.08)；新鲜技术：99]
摘要：项目是一个基于Python和OpenCV的交通标志检测和识别项目，旨在使用计算机视觉和深度学习技术对交通标志进行检测和分类。本文将从介绍项目原理和框架开始，详细介绍该项目的实现过程和技术细节，最后给出项目的安装和使用方法。

⑩ 【人工智能】Transformer 模型数学公式：自注意力机制、多头自注意力、QKV 矩阵计算实例、位置编码、编码器和解码器、常见的激活函数等（@禅与计算机程序设计艺术） [质量分：81；难度等级：初(关键词：常见)；新鲜技术：99]
摘要：Transformer模型由多个编码器和解码器层组成，其中包含自注意力机制、线性层和层归一化等关键构造模块。虽然无法将整个模型完美地表示为单个数学公式，但我们可以提供一些重要构造模块的数学表示。