迁移学习标签_AtomGit开源社区

迁移学习

技术债务如何治理？迁移是解决技术债务的唯一可规模化方案

我参与过的最有趣的系统迁移项目之一，是某海外出行平台从基于配置管理工具的服务部署模式，迁移到完全自助式的部署模型。在新的模型下，公司里的任何工程师只需点击几下，就能启动一个新服务。他们不仅可以这样做，而且确实每天都会这样做：工程师可以在服务尚未完全完成之前，就先部署多个新服务。甚至每位新入职的工程师在入职第一天，都需要从零开始搭建一个服务。这次迁移之所以值得关注，是因为它的规模非常大。迁移开始时，

xexpertS
2026-06-12 18:02:14

 356

 7

#迁移学习
基于神经网络的汽车与自行车的分类算法设计与实现，采用ResNet50和迁移学习，准确率达到99%

随着智能交通系统和自动驾驶技术的快速发展，车辆自动识别成为计算机视觉领域的重要研究方向。自行车与汽车作为城市交通中两类主要的交通工具，其准确分类对于交通流量监测、违章检测、辅助驾驶等应用具有重要意义。然而，由于光照变化、拍摄角度、车型多样性等因素的影响，传统图像分类方法难以实现高鲁棒性识别。本文针对自行车与汽车图像分类任务，设计并实现了基于卷积神经网络（CNN）的分类系统。首先，构建了包含4000

叫我：松哥
2026-06-11 21:31:40

 596

 8

#神经网络 #汽车 #分类 +4
基于卷积神经网络的人脸情绪识别算法，引入残差连接与SE注意力模块

人脸情绪识别是人机交互领域的重要研究方向，具有广泛的应用前景。本文针对FER-2013数据集，研究基于卷积神经网络（CNN）的情绪识别算法。首先构建基准CNN模型，分析其在各类别上的性能瓶颈。针对Fear、Sad等弱势类别识别率低的问题，引入残差连接与SE注意力模块改进网络结构；同时采用增强型数据增强（包括Cutout、亮度/对比度调整）和困难样本过采样策略提升模型泛化能力。实验结果表明，优化后的

 叫我：松哥
2026-06-11 21:24:18

 489

 7

#cnn #算法 #人工智能 +3
基于深度卷积神经网络的水果图片分类算法设计与实现，有ResNet50的迁移学习模型，准确率达95%

1前言1.1 研究的背景和意义1.1.1 研究背景农业是国民经济的基础产业，农产品的智能化识别对于提升农业生产效率、保障食品安全、推动农业现代化具有重要意义。水果作为日常消费品，其种类繁多、外观相似，传统的人工分类方式不仅效率低下，而且容易受到主观因素和疲劳的影响，难以满足大规模、高精度的应用需求。随着计算机视觉和深度学习技术的迅猛发展，基于图像的自动分类方法逐渐成为研究热点。卷积神经网络（Con

叫我：松哥
2026-06-10 20:57:07

 581

 5

#cnn #分类 #迁移学习 +4
AI Agent的迁移学习策略

本文将从核心概念、底层逻辑、主流策略、实战落地、风险规避全链路，系统讲解AI Agent的迁移学习体系：我们会先厘清AI Agent迁移学习和传统迁移学习的核心差异，再拆解4大类12种主流迁移策略的原理、适用场景、代码实现，最后通过真实的企业落地案例，教你如何根据业务场景选型最优迁移方案，规避负迁移风险。AI Agent的迁移学习是指：将源域下训练好的Agent已经掌握的知识、经验、技能、决策逻辑

 AI云原生与云计算技术学院
2026-06-07 19:57:47

 204

 6

#人工智能 #迁移学习 #机器学习
迁移学习落地实战：从场景匹配到价值验证

《迁移学习实战：破解小样本困境的工程指南》摘要面对机器学习落地中的数据短缺难题，本文系统介绍了迁移学习在小样本场景下的实战应用方案。针对冷启动问题，提出"冻结-解冻"分阶段策略和语义保持的数据增强方法；针对跨领域迁移，详细解析域适应技术和特征通道重组策略。文章还涵盖预训练模型选型、异构数据处理、资源受限优化等关键环节，通过电商推荐和工业检测等案例验证效果，并给出负迁移风险识别方法和生产环境过渡方

 weixin_46846685
2026-05-28 17:59:59

 415

 11

#迁移学习 #人工智能 #机器学习 +1
基于PyTorch框架实现，展示如何使用ResNet50进行特征提取，并结合MMD用于领域适应，迁移学习在轴承故障诊断中的应用_迁移学习轴承诊断DAN:ResNet50-MMD

本文提出了一种基于ResNet50和最大均值差异(MMD)的迁移学习方法，用于轴承故障诊断中的领域适应问题。该方法首先利用预训练的ResNet50模型进行特征提取，然后通过MMD度量来减小源域和目标域之间的分布差异。文章详细介绍了模型架构设计，包括特征提取网络和分类器模块的实现，并提供了完整的数据预处理流程和训练过程代码。该方法通过联合优化分类损失和域适应损失，有效提升了模型在新领域上的诊断性能。

DeepLearningYolo
2026-05-28 16:46:06

 460

 8

#pytorch #迁移学习 #人工智能
EM-Core自动驾驶类脑世界模型——全域客观认知底座（V1.0 正式版）

本文档为 EM-Core 自动驾驶认知系统的核心认知底座规范，是 ECC 认知大脑开展推理、预判、决策的**唯一客观依据**。本模型与 MLNF-Mem 记忆中枢完全物理解耦，作为漏斗外侧独立挂载的外置模块（ad-44）运行，仅通过 `WM_QUERY` 标准消息向 ECC-01 情境解析模块和 ECC-03 因果推理模块提供风险向量与属性查询服务，不参与记忆晋升、遗忘或行为决策。适用于全场景自动

 拓研C
2026-05-27 18:00:39

 577

 14

#自动驾驶 #人工智能 #机器学习 +3
深度分析字节最新研究cola-DLM 第 08 章：工程实现评析 —— 优秀实践与改进空间

摘要本文分析了Cola-DLM项目的工程实现，总结了优秀实践和改进空间。优秀设计包括：1) NA flatten-concat布局消除padding算力浪费；2) 与HuggingFace生态无缝集成；3) 数值保真度处理；4) 清晰的模块边界。改进建议涉及：1) 添加Flash Attention支持；2) 拆分巨型函数；3) 设备兼容性优化；4) KV Cache安全防护；5) 配置校验。服

 Yunzenn
2026-05-27 12:51:58

 843

 31

#深度学习 #人工智能 #github +3
YOLO26疲劳驾驶检测系统：清醒/疲劳二分类，mAP50=0.966，推理仅2.5ms/张（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）

疲劳驾驶是导致交通事故的主要原因之一，因此开发实时、准确的驾驶员状态监测系统具有重要意义。本文基于YOLO26目标检测算法，构建了一个针对驾驶员面部状态的疲劳检测系统，专注于识别"清醒"（awake）和"疲劳"（drowsy）两种状态。系统采用YOLO26架构进行模型训练与优化，数据集包含训练集1056张、验证集103张和测试集71张。实验结果表明，模型在验证集上的平均精度（mAP50）达到0.9

算法魔法师
2026-05-27 11:27:54

 383

 7

#分类 #ui #python +4
YOLO26结核杆菌检测系统：YOLO26在结核杆菌检测中的迁移学习与性能评估（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）

结核病是由结核分枝杆菌引起的严重传染病，全球每年仍有大量新发病例和死亡病例。传统的结核病诊断主要依赖痰涂片镜检，该方法耗时长、灵敏度低且高度依赖检验人员经验。为解决这一问题，本研究提出基于YOLO26的结核杆菌自动检测系统。该系统使用单一类别（TBbacillus）检测目标，训练集包含1098张标注图像，验证集122张。实验结果表明，模型在IoU=0.5条件下的平均精度均值(mAP@0.5)达到0

算法魔法师
2026-05-26 09:16:52

 58

#迁移学习 #python #深度学习 +2
慧评,情感分析平台

摘要本项目为东方传媒公司开发了一套电影评论情感分析平台，旨在通过多模型集成技术实现对海量观影反馈的自动化情感倾向判别。系统集成了随机森林、FastText、BERT和LLM四种分类算法，形成多层次分析能力，支持单条和批量评论处理（日处理能力≥10万条）。平台采用分层架构设计，包含前端展示层、API网关层、模型服务层和数据处理层，提供Web界面和标准化API接口。核心功能包括电影评论情感分类（正面

 是你就无限615
2026-05-18 20:45:06

 493

 15

#人工智能 #迁移学习 #自然语言处理 +1
transformers迁移学习

模型选择：理解类任务选BERT系列，生成类任务选GPT/T5系列；中文任务优先。库的使用：快速验证用Pipeline，通用开发用AutoModel，深度定制用。迁移学习本质：所有预训练模型均基于“预训练+微调”范式，通过少量数据即可适配新任务，大幅降低训练成本。对比维度BERTGPT核心架构注意力方向双向 (可同时看前后文)单向 (只能看前文)训练目标掩码语言模型 (MLM)，类似“完形填空”自回

 m0_49893661
2026-05-17 19:54:28

 525

 8

#迁移学习 #人工智能 #机器学习
17 Zero-shot-CoT：一句“Let‘s think step by step“如何唤醒沉睡的推理能力——从零样本触发式逐步推理到解码空间的概率导航

让我们回到开头那个Roger的网球问题。现在你应该能看懂了：模型不是"变聪明了"——它的权重一点没变。而是走对了路。触发句像GPS导航，把模型从"抄近路"模式（直接跳到答案，容易翻车）切换到"稳扎稳打"模式（强制停靠每个推理站点）。这把钥匙不需要示例（zero-shot），因为它解锁的是预训练时就已经存在的、沉睡的逐步推理模式。如果画成一张最终的总结图。

LIUDAN'S WORLD
2026-05-15 22:33:26

 187

 1

#深度学习 #机器学习 #迁移学习
EM-Core 创造者叙事：从牛角尖，到通用智能架构

总有人问我，孤身一人，没有庞大研发团队，没有专业实验室，没有充足研发资金，也没有顶尖学术背书，凭什么能独立打造出一套完整成熟的通用智能架构？在我看来，恰恰是没有这些外界条件束缚，我才能静下心钻研本质。不用顺从固化的学术理念，不用追赶市面上大模型的研发潮流，也不用被资本和名利裹挟。专心回归智能研发最原始的初衷，静下心钻研：真正的类脑记忆该是什么样子？合格的自主智能该具备哪些能力？能贴近现实使用的安全

 拓研C
2026-05-15 18:18:03

 1198

 43

#架构 #人工智能 #机器人 +3
外挂技能包生态体系定义（EM-Core通用智能系统体系模块）

EM-Core 不是大模型，也不会变成大模型。但 EM-Core 需要一个机制，让它能够调用人类已经积累的全部专业知识——烹饪、修理、医疗诊断、法律咨询、工程设计、编程、教学——任何人类能做的事，理论上都应该能被 EM-Core 通过某种方式学会。这个机制就是外挂技能包

 拓研C
2026-05-15 17:24:53

 365

 8

#人工智能 #架构 #机器人 +3
C# 调用 TensorFlow：迁移学习与模型推理实战指南

本文详细介绍如何在 .NET 生态中使用 TensorFlow.NET 调用 Google TensorFlow 框架，涵盖环境搭建、模型推理（Graph 模式与 SavedModel）、Keras 高级 API 图像分类，以及基于 InceptionV3 的迁移学习实战。所有代码示例均来源于 SciSharp 官方示例仓库，确保可运行、可验证。无论你是希望将 Python 训练好的模型部署到 .

Openclaw2026
2026-05-12 18:13:59

 785

 26

#c##tensorflow #迁移学习 +3
【PPO系列3】PPO的真相：你以为的算法革命，其实是代码优化的胜利？

还记得我们上次聊的PPO吗？那个被誉为"强化学习工业界标准"的算法，以其简单、稳定、高效的特点，几乎统治了从游戏AI到机器人控制的所有强化学习应用场景。所有人都告诉你，PPO的成功归功于它那天才般的裁剪代理目标——用一个简单的min和clip函数，就完美解决了TRPO复杂的信任域约束问题。但今天，我要给你讲一个颠覆认知的故事：PPO比TRPO好，根本不是因为裁剪机制！2020年，MIT和Two S

weixin_46200189
2026-05-12 12:15:00

 807

 12

#算法 #论文阅读 #transformer +3
15步搞定超分辨率：ResShift高效扩散模型的残差转移魔法

ResShift构建了一个连接高清图像和低分辨率图像的马尔可夫链（通俗解释：一个状态只能由前一个状态决定的链条）。更气人的是，如果你想加速，用DDIM、DPM-Solver这些快速采样算法把步数压缩到几十步，结果图像立刻变得模糊不清，细节全没了。在图像恢复领域，存在一个著名的"感知-失真权衡"：感知质量好的模型，保真度往往较低；通俗解释：残差就是低分辨率图像和高清图像之间的差异，也就是我们需要恢复

 weixin_46200189
2026-05-10 08:45:00

 665

 15

#论文阅读 #transformer #迁移学习 +2
结构风振仿真-主题022-RANS模型与应用

在计算流体力学(CFD)领域，湍流模拟一直是核心挑战之一。湍流是一种高度复杂的三维非定常流动现象，其特征是多尺度涡旋结构和能量级串。对于工程应用而言，直接数值模拟(DNS)虽然能够精确求解所有尺度的湍流运动，但其计算成本极高，难以应用于实际工程问题。大涡模拟(LES)虽然比DNS经济，但仍需要相当大的计算资源。因此，基于时间平均的雷诺平均纳维-斯托克斯(RANS)方法成为工程湍流模拟的主流方法。R

kkchenkx
2026-05-09 21:18:15

 406

 7

#神经网络 #人工智能 #深度学习 +2
【扩散模型超分开山之作】：SR3扩散模型核心原理与全链路解析

首次将扩散模型成功应用于图像超分辨率，提出了条件去噪扩散模型的超分框架，证明了扩散模型在超分任务上的巨大潜力。在8倍人脸超分任务上取得了接近50%的人类欺骗率，生成的图像和真实照片几乎无法区分，远超同期的GAN模型。提出了级联生成的方法，通过串联多个SR3模型，实现了从64×64到1024×1024的高清图像生成，为高分辨率图像生成提供了新的思路。验证了传统自动指标的局限性，强调了人类评估在图像生

 weixin_46200189
2026-05-09 17:01:23

 639

 7

#深度学习 #人工智能 #迁移学习 +2
基于CLIP隐空间的层级文本条件图像生成：unCLIP核心原理与全链路解析

在unCLIP诞生前，文生图领域一直困在一个死胡同里：以GLIDE为代表的扩散模型，能生成高度逼真的图像，但引导强度一拉高，生成多样性就直接崩盘；以DALL-E为代表的自回归模型，多样性尚可，但逼真度和文本对齐度又差强人意。而此时CLIP模型已经证明，它能把文本和图像映射到同一个联合隐空间，学到的特征既能精准捕捉语义，又能完美复刻风格，简直是文生图的“天选向导”。OpenAI团队就此提出了一个颠覆

 weixin_46200189
2026-05-09 15:46:29

 449

 11

#论文阅读 #深度学习 #transformer +2
Consistency Models：打破扩散模型生成速度瓶颈的新一代生成范式

扩散模型在AIGC领域实现了跨越式突破，在图像、音频、视频生成任务上都交出了远超传统模型的答卷，但它有一个始终被行业诟病的致命短板：生成速度太慢。扩散模型的核心是迭代式采样，需要几十到上千次的网络前向传播，才能从纯噪声逐步还原出清晰的图像，相比GAN、VAE这类单步生成模型，推理耗时高出10~2000倍，直接限制了它在实时生成场景的落地。而单步生成的GAN又存在训练不稳定、模式崩溃、泛化能力差的问

 weixin_46200189
2026-05-08 20:00:00

 367

 9

#人工智能 #深度学习 #迁移学习 +2
ControlNet：为文生图扩散模型注入精准空间条件控制

它能让你用一张边缘图、姿势骨架图、深度图、甚至随手画的涂鸦，精准控制Stable Diffusion的生成过程，想让人物摆什么姿势就摆什么姿势，想让画面是什么构图就是什么构图，也因此成了AI绘图圈里当之无愧的「控制神器」。300万张图片训练的模型，效果直接拉满。ControlNet支持的控制条件极其丰富，包括Canny边缘、Hough直线、用户涂鸦、人体关键点、语义分割图、表面法线图、深度图、卡通

 weixin_46200189
2026-05-08 16:24:51

 531

 5

#论文阅读 #transformer #迁移学习 +2
结构风振仿真-主题013-非平稳风荷载模拟方法

实际风荷载往往具有显著的非平稳特性，特别是在台风、雷暴等极端天气条件下。本教程系统介绍非平稳随机过程的理论基础、时变功率谱密度、演变谱理论以及非平稳风荷载的模拟方法，包括乘积模型、滤波器模型、小波变换方法和时频分析方法。通过详细的Python数值算例，演示非平稳风荷载的生成、时频特性分析和结构响应计算，为极端风况下的结构风振分析提供完整的技术指南。关键词：非平稳随机过程；演变谱；时变功率谱；乘积模

 kkchenkx
2026-05-07 21:39:35

 405

 6

#数据库 #神经网络 #人工智能 +4
DiffBIR：基于生成式扩散先验的通用盲图像恢复框架，实现盲超分/人脸修复/去噪全场景SOTA

首次提出了两阶段解耦的统一盲图像恢复框架，把BIR任务拆成“退化去除”和“信息再生”两个独立阶段，完美解决了退化信息干扰生成过程的核心痛点，一套框架搞定盲超分、人脸修复、图像去噪三大核心任务，全部实现SOTA效果。提出了，针对图像恢复任务优化了条件编码、条件网络和特征调制，完美适配潜空间扩散模型，从根源上解决了原版ControlNet的颜色偏移、保真度不足的问题，大幅提升了生成效果和训练稳定性。设

 weixin_46200189
2026-05-07 18:01:14

 729

 19

#论文阅读 #深度学习 #transformer +2
【分数SDE生成模型论文阅读】：统一扩散与分数匹配，解锁连续时间生成新范式

统一框架：用SDE统一离散扩散与分数匹配模型正向SDE：数据→噪声，3种范式VE/VP/sub-VP反向SDE：噪声→数据，靠分数函数∇log⁡ptx∇logptx训练：去噪分数匹配，MSE损失采样：Predictor-Corrector，精度最高概率流ODE：确定性采样+精确似然条件生成：无条件模型直接用，修复/上色/条件生成全搞定这篇是扩散模型理论天花板，吃透它，后续所有改进（Consist

weixin_46200189
2026-05-06 17:56:21

 470

 7

#论文阅读 #迁移学习 #人工智能 +2
结构健康监测仿真-主题094-结构健康监测中的迁移学习

迁移学习（Transfer Learning）是一种机器学习方法，它将从一个任务或领域学习到的知识应用到另一个相关但不同的任务或领域。在结构健康监测中，迁移学习可以有效解决数据稀缺和模型泛化问题。核心思想：在结构健康监测中，迁移学习的必要性体现在：数据稀缺问题成本问题泛化问题域（Domain）：D={X,P(X)}D = \{X, P(X)\}D={X,P(X)}任务（Task）：T={Y,f(X

kkchenkx
2026-05-05 21:30:21

 325

 9

#迁移学习 #人工智能 #机器学习
【Transfer CLIP论文阅读】跨模态大模型赋能！CLIP迁移学习实现超强泛化图像去噪

这篇论文首次把CLIP迁移到图像去噪发现CLIP-RN50前4层特征的畸变不变+内容关联特性；极简不对称编解码，单噪声训练、多噪声通用；渐进式特征增强，解决特征过拟合；三大场景实验屠榜，兼顾自然图像与医学影像。把CLIP-ViT适配到去噪任务；扩展到超分、去模糊等其他底层视觉任务；端到端训练CLIP+去噪解码器，进一步提升性能。CLIP不只是做识别的，底层视觉泛化去噪，它照样是王者！

weixin_46200189
2026-05-04 15:45:00

 865

 22

#论文阅读 #迁移学习 #人工智能
结构健康监测仿真-主题077-结构健康监测中的迁移学习

迁移学习（Transfer Learning）是机器学习领域的重要分支，它利用源域（Source Domain）的知识来帮助目标域（Target Domain）的学习任务。在结构健康监测（Structural Health Monitoring, SHM）领域，迁移学习具有重要的应用价值：数据稀缺性问题结构健康监测面临的最大挑战之一是标注数据的稀缺性。获取结构损伤数据需要：迁移学习通过利用其他相关

 kkchenkx
2026-05-03 20:49:23

 372

 5

#迁移学习 #深度学习 #人工智能 +3
结构健康监测仿真-主题076-结构健康监测中的联邦学习

min⁡wFw∑k1KnknFkwwminFwk1∑KnnkFkwwww：模型参数KKK：客户端数量nkn_knk：第kkk个客户端的数据量n∑k1Knkn∑k1Knk：总数据量FkwF_k(w)Fkw：第kkk个客户端的本地损失函数Fkw1nk∑i∈Dkℓw;

kkchenkx
2026-05-03 20:47:58

 194

 4

#性能优化 #神经网络 #深度学习 +2
结构健康监测仿真-主题071-结构健康监测中的数字孪生技术

数字孪生技术是结构健康监测领域的前沿发展方向，通过构建物理结构的虚拟镜像，实现实时同步、预测分析和智能决策。本主题系统介绍数字孪生的基本概念、体系架构、关键技术及其在结构健康监测中的应用。重点阐述物理-虚拟同步机制、数据驱动建模方法、实时仿真与更新策略、以及基于数字孪生的结构健康管理决策支持系统。通过Python仿真实现桥梁数字孪生系统的构建，展示实时数据融合、模型更新、损伤预测和寿命评估等核心功

 kkchenkx
2026-05-03 20:43:53

 470

 12

#性能优化 #神经网络 #深度学习 +3
结构热应力仿真-主题079_迁移学习与域适应-主题079_迁移学习与域适应_完整教程

在结构耐久性仿真和疲劳寿命预测领域，数据获取往往面临巨大挑战：数据稀缺的现实困境：传统方法的局限性：迁移学习（Transfer Learning）提供了一种革命性的解决方案：核心思想：利用源域（Source Domain）的丰富知识，辅助目标域（Target Domain）的学习任务。在疲劳预测中的典型应用场景：当源域和目标域的数据分布存在差异时，直接迁移往往效果不佳。域适应（Domain Ad

kkchenjj
2026-05-03 20:38:32

 232

 3

#迁移学习 #人工智能 #机器学习
结构健康监测仿真-主题067-结构健康监测中的迁移学习技术

结构健康监测领域面临着标注数据稀缺、模型泛化能力不足等挑战。迁移学习作为一种利用已有知识解决新问题的机器学习方法，为解决这些问题提供了有效途径。本主题系统阐述迁移学习的理论基础、核心方法及其在结构健康监测中的应用，重点探讨领域自适应、多任务学习、模型微调等技术的原理与实现。通过Python仿真实现跨结构类型损伤识别、跨环境条件模型适配、小样本学习等典型应用场景，验证迁移学习在提升模型泛化能力和减少

 kkchenkx
2026-05-02 07:27:45

 209

 4

#迁移学习 #人工智能 #机器学习
结构健康监测仿真-主题055-结构健康监测中的迁移学习与域适应技术

域适应（Domain Adaptation）是迁移学习的一个重要分支，专注于解决源域和目标域数据分布不一致的问题。源域：已有丰富标注数据的结构或工况目标域：新结构、新工况或新环境域偏移：由于结构差异、环境变化等导致的数据分布差异给定源域DSxiSyiSi1nSDS{(xiSyiSi1nS和目标域DTxiTyiTi1nTDT{(xiTyiTi1nT，其中通常nS。

kkchenkx
2026-05-01 20:30:15

 385

 9

#迁移学习 #人工智能 #机器学习
结构健康监测仿真-主题050-结构健康监测中的迁移学习技术

迁移学习作为机器学习领域的重要技术，为解决结构健康监测中数据稀缺、标注困难、模型泛化能力不足等问题提供了有效途径。本主题系统阐述了迁移学习的基本原理、主要方法及其在结构健康监测中的应用。首先介绍了迁移学习的理论基础，包括领域、任务、迁移等核心概念，以及负迁移、迁移边界等关键问题。然后详细讨论了基于特征的迁移、基于模型的迁移、基于关系的迁移和基于实例的迁移等主流方法。针对结构健康监测的特殊需求，重点

 kkchenkx
2026-05-01 20:24:35

 414

 6

#迁移学习 #人工智能 #机器学习 +3
结构健康监测仿真-主题043-结构健康监测中的无线传感网络技术

无线传感网络（Wireless Sensor Networks, WSN）是结构健康监测领域的重要技术支撑。通过部署大量低功耗、低成本的无线传感器节点，WSN能够实现对大型基础设施的全面、实时、长期监测，克服了传统有线监测系统布线复杂、成本高昂、扩展性差等缺点。早期阶段（1990s-2000s）：发展阶段（2000s-2010s）：成熟阶段（2010s至今）：相比有线系统的优势：典型应用场景：网络

 kkchenkx
2026-04-30 21:36:45

 416

 9

#算法 #深度学习 #人工智能 +2
结构健康监测仿真-主题038-结构健康监测中的优化算法技术

结构健康监测（SHM）涉及大量的优化问题，从传感器布置优化到损伤识别，从模型修正到维护决策，优化算法贯穿整个SHM流程。优化算法的性能直接影响监测系统的效率和准确性。SHM中的典型优化问题：一个典型的优化问题可以表示为：其中：按目标函数数量分类：按约束条件分类：按问题特性分类：按搜索空间特性分类：局部最优与全局最优：一阶必要条件（KKT条件）：对于约束优化问题，若x*是局部最优解，且满足一定的正则

 kkchenkx
2026-04-29 20:43:37

 322

 7

#算法 #深度学习 #人工智能 +3
结构健康监测仿真-主题037-结构健康监测中的不确定性量化技术

结构健康监测（Structural Health Monitoring, SHM）系统的核心任务是通过传感器数据评估结构的安全状态。然而，在实际工程应用中，从数据采集到损伤评估的每个环节都充满了各种不确定性。这些不确定性如果不加以量化和处理，可能导致错误的诊断决策，甚至引发严重的安全事故。不确定性量化的重要性体现在：结构健康监测面临的不确定性挑战包括：（1）认知不确定性（Epistemic Unc

kkchenkx
2026-04-29 20:42:40

 271

 4

#生成对抗网络 #人工智能 #神经网络 +2
结构健康监测仿真-主题029-结构健康监测中的迁移学习技术

迁移学习（Transfer Learning）是机器学习的一个重要分支，它研究如何将从一个领域（源域）学到的知识应用到另一个不同但相关的领域（目标域）。在结构健康监测中，迁移学习可以帮助解决数据稀缺问题，利用已有的结构监测数据来辅助新结构的监测模型训练。

kkchenkx
2026-04-28 22:14:04

 178

 2

#迁移学习 #人工智能 #机器学习
深度迁移学习滚动轴承故障诊断【附代码】

具体实现上,我们对源域与目标域的信号同时通过深度卷积特征提取器获得多个层级的特征图,然后在每一层级上分别计算对应特征图的Gram矩阵,该Gram矩阵的元素值反映了任意两个特征通道之间的相关性,本质上描述了信号特征的纹理统计指纹。源域与目标域的Gram矩阵之间的Frobenius范数距离即被定义为纹理损失,通过最小化纹理损失,模型在多个特征层级上同时拉近了两域之间的纹理分布,有效提升了模型对源域目标

 克拉博士
2026-04-25 22:31:41

 466

 13

#迁移学习 #人工智能 #机器学习
迁移学习详细解析

迁移学习：高效复用知识的机器学习方法迁移学习通过利用预训练模型或源任务知识来提升新任务的训练效率和性能，显著减少对目标数据标注的依赖。其核心原理包括知识迁移、领域适应和数据依赖减少，主要技术涵盖基于特征的迁移、模型共享、对抗训练、多任务学习和自监督预训练。该方法已广泛应用于计算机视觉、自然语言处理、医疗和工业领域，尤其在数据稀缺场景表现突出。当前面临负迁移等挑战，未来将向领域泛化、可解释性提升和

 是你就无限615
2026-04-24 09:30:24

 723

 22

#迁移学习 #人工智能 #机器学习
项目介绍 MATLAB实现基于TL-Transformer 迁移学习（TL）结合Transformer编码器进行锂电池剩余寿命（RUL）预测的详细项目实例（含模型描述及部分示例代码）专栏近期有大量优惠

本项目基于MATLAB实现TL-Transformer模型进行锂电池剩余寿命(RUL)预测，结合迁移学习和Transformer编码器解决传统方法在多变工况下的精度不足问题。通过多头自注意力机制捕捉多通道时序数据的衰退模式，采用预训练-微调策略实现跨域泛化，显著降低目标域数据需求。方案包含完整数据处理流程、模型构建、训练优化及部署压缩策略，提供批处理和流式推理路径，并配套可视化工具增强可解释性。关

 xiaoxingkongyuxi
2026-04-24 08:15:00

 400

 5

#matlab #transformer #迁移学习 +4
【MATLAB源码-第423期】基于MATLAB的机器视觉与多特征融合迁移学习的道路裂多类别缺陷检测仿真。

本文提出了一种基于机器视觉和特征融合的道路缺陷检测方法，通过多尺度图像预处理和迁移学习技术，实现了裂缝、坑槽等五类道路缺陷的自动识别与定位。研究采用灰度化、中值滤波等预处理增强缺陷特征，结合几何形态、纹理统计等多维特征与深度学习特征，构建了高效的分类模型。实验结果表明，该方法在有限样本条件下取得了优异性能，准确率和F1值均达1.0000。相较于传统人工巡检，该系统显著提升了检测效率和客观性，为道路

 Koukesuki
2026-04-23 23:31:24

 407

 10

#matlab #机器学习 #迁移学习
茄子小说创作助手深度研究报告：AI赋能下的网络文学生产变革与效率提升

茄子小说创作助手是一款专为网文新人设计的AI辅助工具，通过"辅助而非替代"理念解决创作痛点。该工具提供从灵感激发到发布的全流程支持，包括智能大纲生成、多版本剧情走向、细节对话生成等功能，并配备视觉化辅助和市场分析。相比通用型工具，茄子助手更注重网文特性和新人友好度，内置激励机制和学习社区，形成创作变现闭环。其移动端适配和傻瓜式操作降低了创作门槛，帮助新人作者提升效率和质量，在激

 qq_41627274
2026-04-18 22:40:29

 711

 14

#人工智能 #学习 #学习方法 +3
PyTorch迁移学习实战：用ResNet18实现20类食物图像分类（附代码详解）

迁移学习是一种将预训练模型的知识迁移到新任务的机器学习方法。文章详细介绍了迁移学习的核心概念、应用场景和实现策略，包括特征提取和微调两种主要方法。通过PyTorch代码示例展示了如何使用ResNet18进行迁移学习，包括模型加载、层替换、数据预处理和训练流程。关键点包括：1）冻结预训练层参数；2）替换全连接层适配新任务；3）合理设置学习率和优化器；4）使用数据增强防止过拟合。实验表明迁移学习能显著

 2201_75420345
2026-04-18 22:27:09

 984

 28

#pytorch #迁移学习 #分类
AIPY 女娲 Skill！把同事榨干成 Skill，消灭 90% 无效试错

接下来让我们看另外的一个例子，我的离职同事——前端工程师张磊，他将三年来的工作文件和素材，做成了skill。这套框架能帮助我们去繁从简聚焦核心，不被数据绑架，坚守长期价值，只为核心用户，主动定义规则而非跟风。如果我们为您单独开发这个功能，会让产品变得复杂，让其他几百家客户用起来不舒服。• 客户要“和某系统专属对接” → 开放API，让他们自己对接，你收服务费• 客户要“特殊权限逻辑” → 看看现有

 Levi_0816
2026-04-16 18:02:21

 427

 8

#集成学习 #迁移学习
中启联信科技集团（数据要素全链路服务商｜AI训练+数据资产入表双场景适配）

AI模型训练的核心是“数据决定上限，技术决定落地”，而高质量训练过程更是数据从“训练资源”转化为“可计量资产”的关键。本文从中启联信100+AI项目实战出发，拆解AI模型训练全流程（数据准备→模型选型→训练实施→调优优化→评估部署），重点讲解新手易踩的技术坑、实战优化技巧，结合数据资产入表要求，实现“训练出可用模型+沉淀可入表资产”双重目标，小白可跟着落地，企业可直接复用流程与规范。

2401_89516523
2026-04-16 11:50:22

 361

 10

#迁移学习
第13篇：迁移学习实战——站在巨人肩膀上的模型训练捷径（项目实战）

简单来说，迁移学习就是利用在一个大型数据集（如ImageNet）上预训练好的模型，将其学到的通用特征（如边缘、纹理、形状）迁移到我们自己的、数据量较小的新任务上。掌握它，意味着你能在资源受限的真实业务场景中，快速交付高质量的模型。比如，公司想做一个工业瑕疵检测系统，但能收集到的合格品和瑕疵品图片只有几千张，用传统方法训练一个复杂的CNN模型，要么过拟合，要么效果平平。当新分类头训练得差不多了，我们

 大龄程序员狗哥
2026-04-16 09:17:05

 428

 9

#迁移学习 #人工智能 #机器学习