udio

2024华为开发者大会（hdc）盛大开幕，重磅发布harmonyos next、盘古大模型5.0等创新成果，展现鸿蒙生态的蓬勃发展和开放实力，为消费者和开发者带来全新体验。 鸿蒙生态：万物互联的新纪元 华为常务董事余承东在主题演讲中分享了鸿蒙生态的显著进展：HarmonyOS设备数量突破9亿，开发者…

该方案为飞桨PALM眼底彩照视盘探测与分割常规赛5月第三名方案。使用PaddleSeg和patta工具，以800张训练图、400张测试图，通过划分训练集和验证集，构建数据集并预处理。采用AttentionUNet模型，结合BCELoss与DiceLoss，经20轮训练，预测时还原图像尺寸，最终生成分…

“行远见大”项目借助飞桨开源社区的AI技术修复老视频。通过DeOldify着色、EDVR修复、DAIN插帧等模型，运用GAN等技术，将低质老视频转为高清彩色，提升帧率与画质。项目介绍了修复原理、代码实践流程，致敬开源，让经典在高清中永存，满足人们怀旧与高品质观影需求。 ☞☞☞AI 智能聊天, 问答助…

本文介绍飞桨常规赛黄斑中央凹定位11月第3名方案。赛题旨在对2D眼底图像中黄斑中央凹定位，预测其坐标，不可见则设为(0,0)。数据集含200个样本，建模为回归问题，用Resnet50vd作backbone，通过数据增强、自定义损失函数等优化，还提及代码结构、复现步骤及不足与改进思路。 ☞☞☞AI 智…

本文介绍低配版PP-YOLO实战过程。使用林业病虫害昆虫数据集，含2183张图片、7类昆虫。先处理数据，读取标注信息并转换格式，用多进程读取。接着构建模型，在backbone用大量可变形卷积，介绍PP-YOLO技巧，还涉及锚框标注、特征提取、预测计算等，最后展示检测效果。 ☞☞☞AI 智能聊天, 问…

本文提出了一个简单的 MLP-like 的架构 CycleMLP，它是视觉识别和密集预测的通用主干，不同于现代 MLP 架构，例如 MLP-Mixer、ResMLP 和 gMLP，其架构与图像大小相关，因此是在目标检测和分割中不可行。 ☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量…

Llasa TTS是什么 llasa tts 是香港科技大学基于 llama 架构推出的开源文本转语音（tts）模型，支持高质量语音合成和克隆。llasa tts 基于单层向量量化（vq）编解码器和单个 transformer 架构，与标准 llama 模型完全对齐，生成自然流畅的语音，支持情感表达…

mm-storyagent：一个开源的多模态、多智能体故事绘本视频生成框架 上海交通大学X-LANCE实验室和阿里巴巴集团联合打造的MM-StoryAgent，是一个开源框架，旨在生成沉浸式、有声的故事绘本视频。它巧妙地结合了大型语言模型（LLMs）和多种模态的生成工具（包括文本、图像、音频），并采…

Gemini 2.0 Flash是什么 gemini 2.0 flash是google推出的多模态ai模型，结合文本理解和图像生成能力。根据自然语言输入生成高质量的图像，支持多轮对话式的图像编辑，保持上下文连贯性。模型擅长将文本与图像结合，例如为故事生成连贯的插图、根据对话修改图像风格，用世界知识生…

Multi-Speaker是什么 multi-speaker是audioshake推出的全球首个高分辨率多说话人分离模型。支持将音频中的多个说话人精准分离到不同轨道，解决传统音频工具在处理重叠语音时的难题。multi-speaker适用于多种场景，先进神经架构支持高采样率，适合广播级音频，支持处理长…