个人技术分享

神经网络（Neural Networks, NNs）是机器学习的一种重要方法，灵感来源于生物神经系统，由大量互联的节点（称为神经元或单元）组成，通过调整这些节点间的连接权重来学习和表示复杂的非线性关系。传统神经网络包括感知机、Sigmoid神经元，以及更复杂的多层感知器。深度学习是基于深层次的神经网络，通过多层非线性变换从数据中学习特征和模式，通常由输入层、隐藏层和输出层组成，每一层由若干神经元构成，层与层之间通过权重连接；主流的深度学习有卷积神经网络、循环神经网络、生成对抗网络、Transformer等。

多传感器融合技术通过结合不同传感器的优势，提高自动驾驶系统的准确性和鲁棒性。传统方法依赖规则和模型，而现代方法如基于深度学习的视觉和LiDAR融合，通过前融合或目标级融合，实现更高效的数据处理和更准确的目标检测。BEV技术作为前融合的一种，通过虚拟摄像机和空间变换金字塔，有效提高了3D车道检测的性能。

尽管后来为了力挽狂澜，OpenAI推出直接在对话框中艾特GPTs的炫酷功能，让300万聊天机器人“为你打工”，但先找到特定GPTs对话，下次再艾特，从下拉菜单选取，再输入指令——明明一个ChatGPT就能办的事儿，非要把操作线程折腾得更冗长，恐怕真正使用的人寥寥无几。随着GPT-4、Sora、Voice Engine、GPT-4o引发一轮又一轮的讨论热潮， OpenAI百宝箱内爆款频出， GPTs逐渐成了那个隐身在后，极少被人提及的名字。始料未及的是，一出狗血宫斗风波打乱了GPT Store的发布节奏。

CARLA 使用服务器-客户端架构运行，其中 CARLA 服务器运行模拟并由客户端向其发送指令。客户端代码使用 API 与服务器进行通信。

非常值得学习的一篇文章，几乎把自动驾驶场景下所有的优化都加上了，并且也开源了。和Unisim做了对比，指出Unisim使用lidar指导采样的问题是lidar的垂直FOV有限，高处的东西打不到，使得lidar FOV外的效果不好。

由浅入深，走进深度学习，内容不是很难，如果基础不是很好，一点一点过一遍，真的有一种不一样的感受！！！

在反向传播过程中，根据输出结果与真实标签之间的误差，计算各层神经元的梯度，并据此更新网络参数。它以其强大的学习能力、高度的适应性和广泛的应用场景，成为了我们解锁智能世界的一把密钥。与传统的神经网络相比，深度神经网络通过增加隐藏层的数量，能够学习更加复杂的数据表示和特征，从而实现更高的识别准确率和更强的泛化能力。而反向传播则是根据输出结果与真实标签之间的误差，通过梯度下降等优化算法调整网络参数，使得网络的输出更加接近真实标签。随着技术的不断发展和应用场景的不断拓展，深度神经网络将会在未来发挥更加重要的作用。

基于深度学习的图像去雾技术利用了卷积神经网络、生成对抗网络、多尺度卷积神经网络和循环神经网络等模型，实现了从有雾图像到清晰图像的端到端转换。相比传统方法，深度学习方法在处理复杂场景和不同雾霾条件下表现出更强的鲁棒性和适应性。随着深度学习技术的发展，图像去雾的性能将进一步提升，其应用范围也将继续扩展，为多个领域带来显著的技术进步。

分享youlai-boot管理系统的前台端本地部署的步骤和可能遇到的问题的解决方案

该系统采用B/S架构，以Java作为开发语言，结合SpringBoot框架和JavaScript前端技术，构建了一个功能全面、操作便捷的在线管理平台。系统的主要功能包括登录与注册、健身课程报名、会员用户管理、健身商品管理、会员办卡等。登录与注册功能确保系统的安全性和用户数据的准确性。健身课程报名功能允许会员在线浏览和选择课程，进行课程预约和报名，同时支持课程信息的发布和更新。会员用户管理模块则实现了会员信息的增删改查，包括会员资料、健身记录、消费记录等。健身商品管理模块允许管理员对健身房内的商品进行上架、下

索引与切片

尽管后来为了力挽狂澜，OpenAI推出直接在对话框中艾特GPTs的炫酷功能，让300万聊天机器人“为你打工”，但先找到特定GPTs对话，下次再艾特，从下拉菜单选取，再输入指令——明明一个ChatGPT就能办的事儿，非要把操作线程折腾得更冗长，恐怕真正使用的人寥寥无几。随着GPT-4、Sora、Voice Engine、GPT-4o引发一轮又一轮的讨论热潮， OpenAI百宝箱内爆款频出， GPTs逐渐成了那个隐身在后，极少被人提及的名字。始料未及的是，一出狗血宫斗风波打乱了GPT Store的发布节奏。

在反向传播过程中，根据输出结果与真实标签之间的误差，计算各层神经元的梯度，并据此更新网络参数。它以其强大的学习能力、高度的适应性和广泛的应用场景，成为了我们解锁智能世界的一把密钥。与传统的神经网络相比，深度神经网络通过增加隐藏层的数量，能够学习更加复杂的数据表示和特征，从而实现更高的识别准确率和更强的泛化能力。而反向传播则是根据输出结果与真实标签之间的误差，通过梯度下降等优化算法调整网络参数，使得网络的输出更加接近真实标签。随着技术的不断发展和应用场景的不断拓展，深度神经网络将会在未来发挥更加重要的作用。

这篇文章是我在组内学术分享报告内容，原应该辅以我的口头报告，但是会议忘记录屏了，就只能添加少量备注以供参考了。另外我也不是CV和图形学专业的，可能也有一些理解不够充分的地方。

AI叉车防撞系统是一种先进的视觉防撞解决方案。它每30毫秒就会对叉车周围的区域进行持续监控，以检测任何潜在的障碍物。当物体或人员进入预设的安全距离（如5米、3米、2米）时，系统会立即发出声音和视觉警报，通知叉车司机注意避让。

为了进一步提升游客的游览体验，许多景区纷纷引入了全彩屏负氧离子监测站，这一创新举措不仅为景区增添了科技元素，更为游客提供了直观的生态环境数据，让游客在享受美景的同时，也能更加深入地了解景区的空气质量。因此，通过全彩屏负氧离子监测站，游客可以更加直观地了解景区的空气质量状况，选择更加适合自己的游览路线。通过实时监测和展示景区的空气质量状况，不仅提升了游客的游览体验，也为景区的可持续发展奠定了坚实的基础。同时，监测站还可以根据环境数据的变化，为游客提供个性化的游览建议，让游客的游览体验更加丰富多彩。

Sora作为新一代AI视频模型，展示了无限的可能。它不仅具备强大的视频生成和编辑能力，还能够实现实时处理和多模态融合，为各行业提供创新的解决方案。通过提升创作效率、拓展创意边界和增强用户体验，Sora将推动视频内容生产和消费的革命性变革。随着Sora的不断发展和应用，我们有理由期待一个更加智能和丰富的视频世界。如果您对Sora及其应用有任何疑问或建议，欢迎留言讨论。

SVM算法可以结合鲸鱼算法、飞蛾扑火算法、粒子群算法、灰狼算法、蝙蝠算法等等各种优化算法一起，进行回归预测或者分类预测。支持向量机（Support Vector Machine, SVM）是一种用于分类和回归分析的监督学习模型。SVM的基本思想是通过寻找一个超平面，将不同类别的样本进行最大间隔分离。SVM在高维空间中表现出色，特别适用于小样本、非线性及高维数据的分类。

SVM算法可以结合鲸鱼算法、飞蛾扑火算法、粒子群算法、灰狼算法、蝙蝠算法等等各种优化算法一起，进行回归预测或者分类预测。支持向量机（Support Vector Machine, SVM）是一种用于分类和回归分析的监督学习模型。SVM的基本思想是通过寻找一个超平面，将不同类别的样本进行最大间隔分离。SVM在高维空间中表现出色，特别适用于小样本、非线性及高维数据的分类。

Semester4机器学习课程复习