我正在使用Model-View-Presenter设计模式和EventBus(Otto)。我实现此模式的全部原因是仅将事件与演示者分离，并让演示者更新View。这是我拥有的一些代码的示例，我将使用获取Events作为示例。(请注意，Events不同于EventBusEvent，意思是Events中的一个Eventcode>是一个类似“爸爸的生日”的事件，但是EventBus中的一个Event是一个总线事件。fragmentpublicclassEventFragmentextendsFragment{privateEventPresentermEventPresenter;//Init
VisionLAN摘要介绍相关工作场景文本识别掩蔽和预测该方法Pipeline屏蔽语言感知模块(MLM模块)视觉推理模块（VRM）训练目标实验数据集实验细节消融实验与先进算法的对比OST数据集上的语言能力中文长数据集的泛化能力定性分析总结运行摘要该论文提出了一种视觉语言建模网络（VisionLAN），它将视觉和语言信息作为一个整体，直接直接赋予视觉模型语言的能力。在训练阶段引入了基于字符的遮挡特征图的文本识别，视觉模型在视觉线索被混淆时（遮挡、噪声等），利用字符的视觉纹理，还利用视觉语境的语言信息进行识别。由于语言信息与视觉特征一起获取，不需要额外的语言模型，因此VisionLAN的速度提高了
github: https://github.com/Nota-NetsPresso/BK-SDM一、Installation(下载代码-装环境)condacreate-nbk-sdmpython=3.8condaactivatebk-sdmgitclonehttps://github.com/Nota-NetsPresso/BK-SDM.gitcdBK-SDMpipinstall-rrequirements.txtNoteonthetorchversionswe'veusedtorch1.13.1forMS-COCOevaluation&DreamBoothfinetuningona
《博主简介》小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~👍感谢小伙伴们点赞、关注！《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】9.【基于YOLOv8深度学
论文笔记--1.文章简介2.文章概括3文章重点技术3.1模型架构3.2训练数据3.3模型评估3.3.1文本3.3.1.1Science3.3.1.2Modelsizes3.3.1.3Multilingual3.3.1.4LongContext3.3.1.5Humanpreference3.3.2多模态3.3.2.1图像理解3.3.2.2视频理解3.3.2.3图像生成3.3.2.4音频理解3.4部署4.文章亮点5.原文传送门1.文章简介标题：Gemini:AFamilyofHighlyCapableMultimodalModels作者：GeminiTeam,Google日期：20232.文章概括
AI领域大神s0md3v，开源了一个用单图就可以进行视频换脸的项目Roop。你只需要一张所需脸部的图像，没有数据集，无需训练，10秒钟一键换脸。本文介绍ROOP本地部署的安装说明1.安装ROOP插件方法1：在SD--扩展--从网址安装，输入如下地址： https://github.com/s0md3v/sd-webui-roop方法2：打开SD的WebUI，在“扩展”中加载可用插件，找到Roop安装，等待安装成功后，再重启WebUI界面。<
Farm3D:LearningArticulated3DAnimalsbyDistilling2DDiffusion1.Introduction最近的研究DreamFusion表明，可以通过text-imagegenerator提取高质量的三维模型，尽管该生成模型并未经过三维训练，但它仍然包含足够的信息以恢复三维形状。在本文中，展示了通过文本-图像生成模型可以获取更多信息，并获得关节模型化的三维对象类别。也就是说，我们的目标不是提取单个的三维单元（DreamFusion），而是一个整个关节三维对象类别的统计模型（例如：牛，羊，马），能够通过单个图像（真实或合成）重建一个可动的三维单元，可以轻松
本专栏主要记录人工智能的应用方面的内容，包括chatGPT、AI绘图等等；在当今AI的热潮下，不学习AI，就要被AI淘汰；所以欢迎小伙伴加入本专栏和我一起探索AI的应用，通过AI来帮助自己提升生产力；订阅后可私聊我获取《从零注册并登录使用ChatGPT》《从零开始使用chatGPT的API；通过chatgpt-next-web部署自己chatGPTweb网页；无需翻墙，无需服务器，无需域名；》两份文档；采用Conda创建、隔离python虚拟环境，可以解决多应用部署下的环境管理难题；所以本文主要介绍通过Conda的方式在本地部署StableDiffusion。文章目录一、StableDiffu
WhattheDAAM:InterpretingStableDiffusionUsingCrossAttention(Paperreading)RaphaelTang,ComcastAppliedAI,ACL2023bestpaper,Code,Paper1.前言大规模扩散神经网络是文本到图像生成中的一个重要里程碑，但人们对其了解甚少，缺乏可解释性分析。在本文中，我们对最近开源的模型StableDiffusion进行了文本-图像归因分析。为了生成像素级归因图，我们在去噪子网络中提升并聚合交叉注意词-像素得分，将我们的方法命名为DAAM。我们通过测试其对名词的语义分割能力以及对所有词性的广义归因
1.最近发现自己光探索SDWebUI功能搞了快两个月，但是没有理论基础后面科研路有点难走，所以在师兄的建议下，开始看b站视频学习一下扩散模型，好的一看一个不吱声，一周过去了写个博客总结一下吧，理理思路。不保证下面的内容完全正确，只能说是一个菜鸟的思考和理解，有大佬有正确的理解非常欢迎评论告知，不要骂我不要骂我。2.这里推荐up主，deep_thoughts投稿视频-deep_thoughts视频分享-哔哩哔哩视频(bilibili.com)我觉得对于学习而言只有学到了和没学到的差别，以前可能更多的是直接阅读文献，但如果有这样好的学者录个视频带你精读论文是比你自己埋头苦读五百年好太多太多了，学习
