草庐IT

超越OpenCV速度的MorphologyEx函数实现(特别是对于二值图,速度是CV的4倍左右)。

    最近研究了一下opencv的MorphologyEx这个函数的替代功能,他主要的特点是支持任意形状的腐蚀膨胀,对于灰度图,速度基本和CV的一致,但是CV没有针对二值图做特殊处理,因此,这个函数对二值图的速度和灰度是一样的,但是这个函数,如果使用的话,估计大部分还是针对二值图像,因此,我对二值图做了特别优化,速度可以做到是CV这个函数的4倍左右。    MorphologyEx的主要功能是对灰度图进行相关形态学的处理,比如腐蚀、膨胀、开闭等计算,其代码可以在github上找到:https://github.com/opencv/opencv/blob/master/modules/img

超越OpenCV速度的MorphologyEx函数实现(特别是对于二值图,速度是CV的4倍左右)。

    最近研究了一下opencv的MorphologyEx这个函数的替代功能,他主要的特点是支持任意形状的腐蚀膨胀,对于灰度图,速度基本和CV的一致,但是CV没有针对二值图做特殊处理,因此,这个函数对二值图的速度和灰度是一样的,但是这个函数,如果使用的话,估计大部分还是针对二值图像,因此,我对二值图做了特别优化,速度可以做到是CV这个函数的4倍左右。    MorphologyEx的主要功能是对灰度图进行相关形态学的处理,比如腐蚀、膨胀、开闭等计算,其代码可以在github上找到:https://github.com/opencv/opencv/blob/master/modules/img

超越联邦学习,让AI跨越公司边界:解决数据隐私和场景模型定制问题

编译丨张泷玲、杨柳编辑丨维克多今年1月份,苏黎世联邦理工学院的StefanFeuerriegelc教授在 《CommunicationsoftheACM》期刊上刊文“ArtificialIntelligenceAcrossCompanyBorders”,在文中教授指出了人工智能(AI)产业落地过程中常见挑战:如何开展跨公司合作?  教授表示:通过数据共享构造大规模的跨公司数据集是一种方式,但有数据保密和隐私泄漏风险,且受隐私相关法律的限制。而保护隐私的分布式机器学习框架—联邦学习,能让数据不出本地,解决上述痛点。但传统的联邦学习目前并不能提供规范的隐私保护证明,此外,其场景容易受到因果攻击。因

超越联邦学习,让AI跨越公司边界:解决数据隐私和场景模型定制问题

编译丨张泷玲、杨柳编辑丨维克多今年1月份,苏黎世联邦理工学院的StefanFeuerriegelc教授在 《CommunicationsoftheACM》期刊上刊文“ArtificialIntelligenceAcrossCompanyBorders”,在文中教授指出了人工智能(AI)产业落地过程中常见挑战:如何开展跨公司合作?  教授表示:通过数据共享构造大规模的跨公司数据集是一种方式,但有数据保密和隐私泄漏风险,且受隐私相关法律的限制。而保护隐私的分布式机器学习框架—联邦学习,能让数据不出本地,解决上述痛点。但传统的联邦学习目前并不能提供规范的隐私保护证明,此外,其场景容易受到因果攻击。因

InstructPix2Pix: 动动嘴皮子,超越PS

摘要:InstructPix2Pix提出了一种使用文本编辑图像的方法:给定输入图像和编辑指令,告诉模型要做什么,模型将遵循这些指令来编辑图像。本文分享自华为云社区《InstructPix2Pix:动动嘴皮子,超越PS》,作者:杜甫盖房子。InstructPix2Pix:LearningtoFollowImageEditingInstructionsarXiv CodeInstructPix2Pix提出了一种使用文本编辑图像的方法:给定输入图像和编辑指令,告诉模型要做什么,模型将遵循这些指令来编辑图像,如:我们在ModelArts中发布了一个notebook方便大家玩一玩,同时也将对模型的实现方

InstructPix2Pix: 动动嘴皮子,超越PS

摘要:InstructPix2Pix提出了一种使用文本编辑图像的方法:给定输入图像和编辑指令,告诉模型要做什么,模型将遵循这些指令来编辑图像。本文分享自华为云社区《InstructPix2Pix:动动嘴皮子,超越PS》,作者:杜甫盖房子。InstructPix2Pix:LearningtoFollowImageEditingInstructionsarXiv CodeInstructPix2Pix提出了一种使用文本编辑图像的方法:给定输入图像和编辑指令,告诉模型要做什么,模型将遵循这些指令来编辑图像,如:我们在ModelArts中发布了一个notebook方便大家玩一玩,同时也将对模型的实现方

超越比特币去中心化的区块链是否存在?

比特币和以太坊​开始都使用PoW作为共识算法,以太坊将在TheMerge之后转入PoS共识。然而,不管PoW和PoS共识,都存在中心化问题。经济的工作量证明EcoPoW可以来解决区块链的去中心化问题。区块链共识算法对比在区块链的不可能三角中,安全,去中心化和高性能无法兼顾。近年来,众多区块链为了解决高性能问题,往往刻意牺牲去中心化。显然,安全是区块链的基石,没有安全的银行会瞬间坍塌。但一个不可否认的事实是,去中心化是区块链最重要的特征:失去了去中心化的web3,和web2又有什么区别呢?比特币被誉为最去中心化的区块链项目,但其实早已受到了中心化的威胁。中本聪可能也没有料到,矿池的出现,打破了独

超越比特币去中心化的区块链是否存在?

比特币和以太坊​开始都使用PoW作为共识算法,以太坊将在TheMerge之后转入PoS共识。然而,不管PoW和PoS共识,都存在中心化问题。经济的工作量证明EcoPoW可以来解决区块链的去中心化问题。区块链共识算法对比在区块链的不可能三角中,安全,去中心化和高性能无法兼顾。近年来,众多区块链为了解决高性能问题,往往刻意牺牲去中心化。显然,安全是区块链的基石,没有安全的银行会瞬间坍塌。但一个不可否认的事实是,去中心化是区块链最重要的特征:失去了去中心化的web3,和web2又有什么区别呢?比特币被誉为最去中心化的区块链项目,但其实早已受到了中心化的威胁。中本聪可能也没有料到,矿池的出现,打破了独

谷歌、MIT提出统一框架MAGE:表征学习超MAE,无监督图像生成超越 Latent Diffusion

识别和生成是人工智能领域中的两大核心任务,如果能将二者合并到一个统一的系统中,这两个任务应该能实现互补。事实上,在自然语言处理中,像BERT[1]这样的模型不仅能够生成高质量的文本,还能够提取文本中的特征。然而,在计算机视觉领域,目前的图像生成模型和识别模型大多是分开进行训练,没有充分利用这两个任务的协同作用。这主要是由于图像生成和图像识别的模型通常具有本质上的结构差异:图像生成的输入是低维度的特征或噪声,而输出是高维度的原始图像;与之相反,图像识别的输入是高维度的原始图像,而输出是低维度的特征。最近,来自MIT和GoogleResearch的研究人员提出了一种基于图像语义符掩码的表征学习方法

谷歌、MIT提出统一框架MAGE:表征学习超MAE,无监督图像生成超越 Latent Diffusion

识别和生成是人工智能领域中的两大核心任务,如果能将二者合并到一个统一的系统中,这两个任务应该能实现互补。事实上,在自然语言处理中,像BERT[1]这样的模型不仅能够生成高质量的文本,还能够提取文本中的特征。然而,在计算机视觉领域,目前的图像生成模型和识别模型大多是分开进行训练,没有充分利用这两个任务的协同作用。这主要是由于图像生成和图像识别的模型通常具有本质上的结构差异:图像生成的输入是低维度的特征或噪声,而输出是高维度的原始图像;与之相反,图像识别的输入是高维度的原始图像,而输出是低维度的特征。最近,来自MIT和GoogleResearch的研究人员提出了一种基于图像语义符掩码的表征学习方法