-
多光谱气体传感器的抗交叉干扰设计，深度学习驱动的工业废气成分实时辨识系统
在工业废气排放监测与污染控制，多光谱气体传感器凭借其非接触、多组分同步检测的优势，已成为实时感知气体成分的核心设备。然而，工业废气中存在的复杂气体混合物(如SO₂与NO₂的吸收光谱重叠、VOCs(挥发性有机物)与水蒸气的基线漂移)会导致传感器输出信号产生严重的交叉干扰，使得传统基于阈值比较或线性拟合的辨识方法误报率高达30%以上。深度学习驱动的抗交叉干扰设计，通过构建高维特征提取与非线性映射模型，为多光谱气体传感器的精准辨识提供了突破性解决方案，使工业废气成分的实时检测准确率提升至98%以上，为环保监管与工艺优化提供了可靠数据支撑。
-
低剂量CT的“深度学习重建”算法，残差U-Net的噪声抑制、微小结节（3mm）检测灵敏度提升
在医学影像技术飞速发展的当下，低剂量CT(LDCT)因其能有效降低患者辐射暴露风险，成为临床诊断中备受关注的成像方式。然而，降低辐射剂量不可避免地会引入噪声和伪影，影响图像质量，进而对微小结节(尤其是3mm及以下)的检测灵敏度造成挑战。深度学习重建算法的出现，为解决这些问题提供了新的思路，其中残差U-Net在噪声抑制和微小结节检测灵敏度提升方面展现出显著优势。
-
红外热像仪非均匀性校正（NUC）：黑体辐射源与深度学习融合方案
一、引言 红外热像仪凭借其能非接触式测量物体表面温度分布的优势，在工业检测、安防监控、医疗诊断等领域得到广泛应用。然而，由于制造工艺、环境因素等影响，红外探测器各像素单元的响应特性存在差异，导致成像结果出现非均匀性，严重影响了图像质量和测温精度。非均匀性校正（NUC）技术应运而生，旨在消除这种差异，提高红外热像仪的性能。
-
基于深度学习的数字IC布局优化：DREAMPlace 4.0的GPU加速实践
随着数字集成电路（IC）设计复杂度的指数级增长，传统布局工具在处理超大规模设计时面临计算效率瓶颈。DREAMPlace作为基于深度学习的VLSI布局开源项目，通过引入GPU加速技术，实现了全局布局与详细布局阶段超过30倍的速度提升。本文以DREAMPlace 4.0版本为核心，解析其GPU加速架构设计、性能优化策略及工程实践。
-
曦智科技时隔八年再登《Nature》，光电混合计算架构首次公开
英国伦敦时间4月9日，全球顶级学术期刊《自然》(Nature)刊载了曦智科技的光电混合计算成果：《超低延迟大规模集成光子加速器》(An integrated large-scale photonic accelerator with ultralow latency)。这是自八年前曦智科技创始人沈亦晨博士于《自然·光子学》杂志发表封面文章《由纳米光学回路实现的深度学习》(Deep learning with coherent nanophotonic circuits)以来，曦智科技再次登上全球顶级学术期刊。同时，也是继3月25日其最新光电混合计算卡曦智天枢发布后，曦智科技在光电混合计算领域的又一重要成果。
-
2025年及未来半导体行业的八大趋势
鉴于过去几十年技术变革的速度，预测趋势似乎是一项吃力不讨好的任务。但我们认为拥有前瞻性的视角很重要，以下是我们对未来几年可能持续塑造和重塑行业的因素的预测。
-
基于深度学习的智能摄像头行为识别系统
随着人工智能技术的飞速发展，智能摄像头行为识别系统逐渐成为公共安全、商业运营和智能家居等领域的重要工具。该系统通过深度学习算法，对摄像头捕捉的视频图像进行实时分析，能够自动识别并分析人类的各种行为，如打斗、跌倒、抽烟等，并根据设定的规则做出相应反应。本文将详细介绍基于深度学习的智能摄像头行为识别系统的模型训练、特征提取和行为分类的实现方法，并结合代码示例进行说明。
-
基于改进YOLO v3的飞行目标检测算法研究
飞行目标往往呈现为十几个像素点的小目标 ,对其准确检测是黑飞反制、管控等应用中首要解决的问题 。鉴于此 ,提出一种基于改进YOLO v3的方法提高飞行目标的检测能力。首先为避免梯度消失 ,增强特征的复用 ,在特征检测层引入残差网络;其次为提高小目标的检测能力 ,增加对4倍下采样特征的检测;然后通过数据集对未改进YOLO v3和改进后YOLO v3进行训练获取模型;最后将Faster R-CNN、未改进YOLO v3和改进后YOLO v3进行实验对比 ,数据显示改进后YOLO v3的准确度提升14个百分点以上 , 能较好地检测出飞行目标。
-
基于深度学习的人体动作识别系统：技术进展与应用前景
随着人工智能技术的飞速发展，人体动作识别技术作为计算机视觉领域的重要分支，正逐渐展现出其在人机交互、智能监控、虚拟现实、健身娱乐等领域的巨大潜力。基于深度学习的人体动作识别系统，通过利用深度学习技术和计算机视觉方法，实现了对人类动作的准确识别与理解，为智能交互提供了新的可能。
-
基于深度学习的声信号分类识别方法（含伪代码）
声信号分类识别是信息处理领域的一个重要分支，广泛应用于语音识别、环境监测、智能家居等多个领域。传统方法往往依赖于手工设计的特征提取和分类器设计，但其泛化能力和识别精度有限。随着深度学习技术的快速发展，其在声信号分类识别中的应用日益广泛，显著提高了识别精度和鲁棒性。本文将介绍基于深度学习的声信号分类识别方法，并提供相关代码示例。
-
深度学习实践者指南
我们的世界正在经历一场由深度神经网络驱动的人工智能革命。随着 Apple Intelligence 和 Gemini 的出现，人工智能已经普及到每个拥有手机的人。除了消费者人工智能之外，我们还将深度学习模型应用于汽车、金融、医疗、制造业等多个行业。这促使许多工程师学习深度学习技术并将其应用于解决项目中的复杂问题。为了帮助这些工程师，必须制定一些指导原则，以防止在构建这些黑盒模型时出现常见的陷阱。
-
亚马逊云科技连续5年位列Gartner®云AI开发者服务魔力象限“领导者”
北京——2024年7月3日 日前，Gartner®发布了2024年《云AI开发者服务魔力象限》报告1，亚马逊云科技被列为“领导者”之一，在“执行能力”上处于最高位置。这已经是亚马逊云科技连续5年位列Gartner®云AI开发者服务魔力象限“领导者”。
-
深度学习框架介绍：Keras、Caffe 和 Microsoft 认知工具包
Keras 最初是一个独立的神经网络库，后来迅速转变为深度学习领域的重要参与者。如今，它被公认为 TensorFlow 的高级API，为人工智能爱好者提供简化的界面。这种显着的转变很大程度上归功于其用户友好性，它填补了高复杂性库与开发人员的实际需求之间的差距。
-
基于SSVEP信号的下肢外骨骼机器人控制系统研究
近年来,随着现代医疗技术的进步,人类的平均寿命不断延长,导致人口老龄化危机加剧[1]。在这一背景下,中风发病率预计将呈上升趋势,为提高患者的运动能力,机器人在康复领域得到了广泛的应用,尤其是下肢外骨骼机器人[2]。这类机器人具有针对性训练神经和肌肉系统的能力,为患者康复提供了一种有效途径。
-
如何看懂机器学习代码
以下内容中，小编将对机器学习的相关内容进行着重介绍和阐述，希望本文能帮您增进对机器学习的了解，和小编一起来看看吧。
-
如何入门机器学习
今天，小编将在这篇文章中为大家带来机器学习的有关报道，通过阅读这篇文章，大家可以对机器学习具备清晰的认识，主要内容如下。
-
人工智能技术有哪些
随着科技的不断进步，人工智能(AI)已成为当今世界的热门话题。它以其强大的计算能力和深度学习能力，在多个领域展现出巨大的应用潜力。本文将对人工智能技术进行详细的探究，包括其定义、发展历程、主要技术、应用领域以及面临的挑战和未来发展趋势。
-
语音识别系统包括哪五个部分?
语音识别这一技术也越来越受到关注。尤其，随着深度学习技术应用在语音识别技术中，使得语音识别的性能得到了显著提升，也使得语音识别技术的普及成为了现实。
-
机器学习的一般流程
本文中，小编将对机器学习予以介绍，如果你想对它的详细情况有所认识，或者想要增进对它的了解程度，不妨请看以下内容哦。
-
现阶段的人工智能处于什么阶段
随着信息技术和算法研究的不断深入，人工智能(Artificial Intelligence, AI)已逐渐从理论构想走向现实应用，并在全球范围内引发了科技革命。当前阶段的人工智能正处于一个快速发展且日益成熟的时期，我们将其概括为“深度学习驱动的弱人工智能广泛应用阶段”。
