全部 - 推荐的文章

论文分享——联邦原型学习

论文链接：https://ieeexplore.ieee.org/abstract/document/10203389 发表会议：CVPR 2023 Rethinking Federated Learning with Domain Shift: A Prototype View 1 摘要当联邦学习遇到...

2
10
李瑶
发布于 2024-02-27 11:52
阅读 ( 1995 )

ros2自定义消息类型传输

ros2自定义消息类型

0
6
Marco Legend
发布于 2022-07-06 21:54
阅读 ( 1723 )

AIoT导论ppt下载—— 整书课件下载

一、章节介绍介绍了整书1到11章的内容二、章节预览三、ppt下载

1
4
Panda-admin
发布于 2023-01-06 20:03
阅读 ( 2118 )

自深度学习发展以来，域自适应（Domain Adaptation）对上述所描述的域偏移问题进行了大量的解决方案探索。早期的域自适应方法主要集中于Unsupervised Domain Adaptation (UDA)的设置，它们旨于利用源域的标记数据去提升来自目标域的无标记数据的测试性能。近年来，越来越多的基于UDA的变体被提出，它们注重于更加苛刻和贴合现实应用的场景和问题设置，并实施更加“精妙”的解决方案来应对。

0
4
Marco Legend
发布于 2022-11-09 22:35
阅读 ( 2040 )

CUDA error: no kernel image is available for execution on the device解决办法 cuda版本11.7

0
4
张周阳子
发布于 2022-09-14 19:26
阅读 ( 1765 )

树莓派4B监控CPU占用率、内存使用率、磁盘使用量以及CPU温度

树莓派作为一个小型电脑，可以采用指令、程序语言来获取其资源状态等信息

0
4
旺仔牛奶opo
发布于 2022-07-04 10:29
阅读 ( 1584 )

如何有效应对域偏移 —— 近年研究热点总结（三）之在线域自适应

“在线域自适应”与传统域自适应和域泛化方法不同，该类方法应对的是训练阶段无法预估测试阶段数据分布的场景（这一点和域泛化方法相同），其侧重于在测试阶段利用当前的推理数据通过“边推理边训练”的模式，实现模型对未知测试数据的更新适应，从而达到精度提升的效果。

0
3
Marco Legend
发布于 2023-02-12 18:08
阅读 ( 1769 )

如何有效应对域偏移 —— 近年研究热点总结（二）之域泛化

“域泛化”旨于应对如下问题：相比于域自适应，域泛化注重于在训练阶段，目标域数据完全不可获取的情况下，如何使得模型仅依靠源域数据获得强大的鲁棒表征能力，在无法提前观测的部署环境下保持较高的模型性能。

0
3
Marco Legend
发布于 2022-12-26 16:41
阅读 ( 1773 )

在gazebo中创建世界模型.world

总是用gazebo仿真，万一找不到适合自己任务的开源环境怎么办？需要自己创建环境的时候怎么创建？看看能不能从这篇文章中得到启发哦。

0
3
王家瑶
发布于 2022-11-09 17:49
阅读 ( 3705 )

Windows 远程桌面连接 Jetson NX （Linux）Ubuntu 18.04

0
3
旺仔牛奶opo
发布于 2022-09-07 21:46
阅读 ( 1603 )

轻量级压缩算子与其在云-边协同的应用

为了实现上述“云-边协同”的运行时自适应计算，在商用网络上进行“可插拔”的轻量级技术，“动态可加载的轻量级压缩算子”带来了可能。其本质是：利用“参数共享 + 参数分离”的思想，在商用网络上实现不同轻量级压缩算子的装载插拔设计，实现动态运行时可调优的模型压缩。

0
3
Marco Legend
发布于 2022-08-31 10:17
阅读 ( 904 )

ROS2基于image_transport的压缩图像传输

通过设置压缩传输参数，降低节点间图像传输带宽。

0
3
王家瑶
发布于 2022-08-30 16:20
阅读 ( 2890 )

基于FPGA的手写数字识别算法

使用Verilog语言设计一个CNN网络来测量模型在可编程器件上的性能表现，并在Vivado 2018版本打包成ip核

0
3
Panda-admin
发布于 2022-05-17 21:23
阅读 ( 1659 )

跨资源受限边端平台的深度计算模型分割方法

在深度模型分割相关研究中，时延预测直接决定了搜索到的模型分割方案的效果。然而，现有深度模型分割研究中多以实际测量的方式来获取，普适性较低且耗时耗力、实用性不强。

0
3
hcshen
发布于 2021-07-12 11:49
阅读 ( 937 )

Enabling Resource-efficient AIoT System with Cross-level Optimization: A survey

随着深度学习在物联网智能基础设施中的广泛应用，各种AIoT（人工智能物联网）应用成为可能。然而，基础设备有限的资源限制了深度计算任务的执行效率。如何提高这些任务的部署效率，成为一个涉及多层优化的问题，包括上层模型结构、底层系统调度，以及它们之间的相互影响。为扩展物联网中深度学习部署和优化的研究范围，我们深入调研了现有的优化技术，涵盖了本地和分布式计算中的深度学习模型、计算图、运算符、内存调度和硬件指令。