结构化记忆、知识图谱与动态遗忘机制在医疗AI中的应用探析(上)
往期相关内容推荐:
基于Python的多元医疗知识图谱构建与应用研究（上）
Read more
目标检测数据集——无人机视觉VisDrone数据集
随着无人机技术的飞速发展，无人机在航拍、监控、农业、物流等领域的应用日益广泛。与此同时，无人机视角下的视觉任务，如目标检测、目标跟踪和场景理解，也成为了计算机视觉研究的热点。然而，相比传统的地面视角数据集，无人机视角下的图像具有高度变化、小目标密集、复杂背景等独特挑战，这对现有算法提出了更高的要求。 为了应对这些挑战并推动无人机视觉技术的发展，天津大学机器学习与数据挖掘实验室推出了 VisDrone数据集。作为一个大规模、标注精细的无人机视觉数据集，VisDrone 不仅涵盖了丰富的场景和多样化的目标类别，还为研究人员提供了一个极具挑战性的测试平台。无论是小目标检测的精度提升，还是密集场景下的鲁棒性优化，VisDrone 都成为了学术界和工业界不可或缺的资源。该数据集采集自中国14个不同城市，覆盖复杂城市场景、交通枢纽、密集人群等多种环境。 VisDrone官方Github下载渠道可点击访问： https://github.com/VisDrone/VisDrone-Dataset?tab=readme-ov-file 下载的数据集为VisDrone2019-DET-train
OpenDroneMap (ODM) 无人机影像三维模型重建安装及使用快速上手
1 文档概述 本文档是指导用户从零开始，使用 OpenDroneMap 对无人机采集的影像数据进行处理，生成三维点云、数字表面模型（DSM）、正射影像图（Orthomosaic）等成果。 本文档的预期读者为拥有无人机航拍影像（JPG/PNG格式）并希望进行三维建模的用户。 2.1 系统运行环境要求 - 操作系统：Windows 10/11, macOS, 或 Linux (推荐 Ubuntu)。 - CPU：多核心处理器（4核以上推荐，8核或更多更佳）（处理200张以上影像建议16GB+）。 - 内存 (RAM)：至少 16GB，处理大面积区域建议 32GB 或以上。 - 硬盘空间：预留充足的存储空间。原始影像、中间文件和最终成果会占用大量空间。建议准备 影像大小的10-20倍
Submodular function次模函数 概念——AI学习
论文名称：Submodularity In Machine Learning and Artificial Intelligence 一、综述论文 这篇文章是一篇 综述论文（survey）。 核心目标是： 介绍 Submodular functions（次模函数） 以及它们在 机器学习与人工智能中的应用。 作者想说明一个非常重要的观点： 很多机器学习问题其实是“离散优化问题”。 例如： * Feature Selection：属于数据预处理问题，旨在从原始特征中筛选出最相关、最有信息量的子集，以降低维度、提升模型性能与可解释性。 * Dataset Subset Selection：属于数据采样或核心集选择问题，旨在从大规模数据中选取一个具有代表性的子集，以降低计算和存储成本，同时保持模型性能。 * Active Learning：属于机器学习训练策略问题，通过让模型主动选择最有价值的数据进行标注，以最少的标注成本最大化模型性能。 * Clustering：属于无监督学习问题，旨在根据数据的内在相似性，将未标记的数据自动分组为不同的类别或簇。 * Data
2025.10.17 更新 AI绘画秋葉aaaki整合包 Stable Diffusion整合包v4.10 +ComfyUI整合包下载地址
2025.10.17 更新 AI绘画秋葉aaaki整合包 Stable Diffusion整合包v4.10 +ComfyUI整合包下载地址 * @[TOC](2025.10.17 更新 AI绘画秋葉aaaki整合包 Stable Diffusion整合包v4.10 +ComfyUI整合包下载地址) * 🌈 Stable Diffusion整合包（秋葉aaaki整合版） * 📦 【下载链接】 * 💡 英特尔 CPU 用户特别提醒 * 🔧 AMD 显卡专用方案 * ⚙️ 常见问题与解决方案 * 🧠 ComfyUI 整合包（秋葉aaaki定制优化版） * 📥 【下载链接】 * 🚀 更新日志（2025.2.4 v1.6） * 🧩 报错解决 关键词建议（自动覆盖百度、必应等搜索） AI绘画整合包下载、Stable Diffusion整合包、ComfyUI整合包、秋葉aaaki整合包、AI绘图工具、AI绘画模型、