NPU，大放异彩
自计算机诞生以来，人们就一直将机器比作大脑。这其中就包括两位计算机之父——约翰·冯·诺依曼撰写了一本名为《计算机与大脑》的书，而艾伦·图灵则在1949年说过：“最终，我不明白为什么计算机在大多数领域无法与人类智力平等竞争。”
卷积
江苏怡宁申请基于残差-卷积网络深度学习的光伏电源及通讯异常识别专利，能够精准识别数据异常
国家知识产权局信息显示，江苏怡宁能源实业集团有限公司申请一项名为“一种基于残差-卷积网络深度学习的光伏电源及通讯异常识别方法”的专利，公开号CN119939305A，申请日期为2024年12月。
自动微分•自组织生长: 打造新一代的自组织生长模型
生长型神经元胞自动机（Growing-NCA）通过可微的神经网络定义细胞自动机规则，使系统能够通过训练从初始种子自动生长、修复并稳定成目标图案。结合神经网络的学习能力与细胞自动机的局部规则，Growing-NCA在图像生长与再生任务中展示了自组织与修复能力，提
空洞卷积与PAMAP2数据集实验分析
Ø空洞卷积通过在卷积核元素间插入空洞（间隔）来扩大感受野，公式为：(F∗dk)(p)=∑s+dt=pF(s)k(t)(F∗dk)(p)=∑s+dt=pF(s)k(t)，其中 dd为空洞率。
中移信息技术申请异常行为检测专利，能够提高异常行为的检测精度
国家知识产权局信息显示，中移信息技术有限公司申请一项名为“异常行为检测方法、装置、设备及存储介质”的专利，公开号 CN 119835362 A，申请日期为2024年12月。
中国联合网络通信集团有限公司申请基于深度学习的人群计数专利，提高人群计数结果的准确性
国家知识产权局信息显示，中国联合网络通信集团有限公司申请一项名为“一种基于深度学习的人群计数方法、装置及可读存储介质”的专利，公开号CN 119832490 A，申请日期为2024年12月。
CVPR 2025 即插即用卷积-自适应矩形卷积！
传统的卷积操作中，卷积核的形状是固定的（通常是正方形），而 ARConv 能够自适应地学习卷积核的高度和宽度，使其能够根据图像中不同物体的大小动态调整卷积核的形状。这种灵活性使得卷积操作能够更好地适应遥感图像中物体的多样性和尺度变化。ARNet 是基于 U-N
一文解读深度学习（吴恩达28张彩图全解）
吴恩达在推特上展示了一份由 TessFerrandez 完成的深度学习专项课程信息图，这套信息图优美地记录了深度学习课程的知识与亮点。因此它不仅仅适合初学者了解深度学习，还适合机器学习从业者和研究者复习基本概念。
经典的十大神经网络模型
神经网络模型作为人工智能和深度学习领域的核心技术，近年来取得了突破性进展，推动了计算机视觉、自然语言处理、语音识别等领域的革新。以下介绍十大经典神经网络模型，涵盖其核心结构、创新点及应用场景。
杭州随时文化传播有限公司取得用于马面裙双面的加工装置专利，避免布料出现卷积情况
国家知识产权局信息显示，杭州随时文化传播有限公司取得一项名为“一种用于马面裙双面的加工装置”的专利，授权公告号 CN 222730076 U，申请日期为2024年7月。
中国电信申请设备故障预测专利，提升设备故障预测效果
国家知识产权局信息显示，中国电信股份有限公司申请一项名为“设备故障预测方法、装置、存储介质及计算机程序产品”的专利，公开号CN 119760603 A，申请日期为2024年12月。
从 0 构建大模型知识体系（2）：给模型开眼的CNN
在数字化时代，AI图像识别技术无处不在，但其背后的原理却鲜为人知。本文将带你深入探索AI如何“看懂”图片，重点剖析卷积神经网络（CNN）这一图像识别领域的经典模型。
Multi-Token突破注意力机制瓶颈，Meta发明了一种很新的
当上下文包含大量 Token 时，如何在忽略干扰因素的同时关注到相关部分，是一个至关重要的问题。然而，大量研究表明，标准注意力在这种情况下可能会出现性能不佳的问题。
meta 发明 transformer mta 卷积 2025-04-04 20:09 8
Multi-Token突破注意力机制瓶颈，Meta发明了一种很新的Transformer
当上下文包含大量 Token 时，如何在忽略干扰因素的同时关注到相关部分，是一个至关重要的问题。然而，大量研究表明，标准注意力在这种情况下可能会出现性能不佳的问题。
meta 发明 transformer mta 卷积 2025-04-04 16:46 7
Multi-Token突破注意力机制瓶颈，Meta发明一种很新的Transformer
当上下文包含大量 Token 时，如何在忽略干扰因素的同时关注到相关部分，是一个至关重要的问题。然而，大量研究表明，标准注意力在这种情况下可能会出现性能不佳的问题。
meta 发明 transformer mta 卷积 2025-04-04 16:37 7
卷积网络又双叒叕行了？OverLoCK:仿生的卷积神经网络视觉基础模
当面对复杂场景时，我们往往先快速获得整体印象，再聚焦关键细节。这种「纵观全局 - 聚焦细节（Overview-first-Look-Closely-next）」的双阶段认知机制是人类视觉系统强大的主要原因之一，也被称为 Top-down Attention。
卷积网络又双叒叕行？OverLoCK:仿生的卷积神经网络视觉基础模型
当面对复杂场景时，我们往往先快速获得整体印象，再聚焦关键细节。这种「纵观全局 - 聚焦细节（Overview-first-Look-Closely-next）」的双阶段认知机制是人类视觉系统强大的主要原因之一，也被称为 Top-down Attention。
卷积网络又双叒叕行了？OverLoCK:一种仿生的卷积神经网络视觉基础模型
作者是香港大学俞益洲教授与博士生娄蒙。你是否注意过人类观察世界的独特方式？当面对复杂场景时，我们往往先快速获得整体印象，再聚焦关键细节。这种「纵观全局 - 聚焦细节（Overview-first-Look-Closely-next）」的双阶段认知机制是人类视觉
卷积网络又双叒叕行了？
当面对复杂场景时，我们往往先快速获得整体印象，再聚焦关键细节。 这种 「 纵观全局 - 聚焦细节（Overview-first-Look-Closely-next） 」 的双阶段认知机制是人类视觉系统强大的主要原因之一，也被称为 Top-down Attent
李飞飞、吴佳俊团队新作：FlowMo如何以零卷积、零对抗损失实现ImageNet重构新巅峰
自VQGAN和潜在扩散模型等流行的视觉生成框架出现以来，最先进的图像生成系统一般都是两阶段系统，首先将视觉数据标记化或压缩到低维潜在空间，然后再学习生成模型。标记化训练通常采用标准方法，即根据MSE、实际损失和对抗损失的组合对图像进行压缩和重建。扩散自动编码器