目标学习如何（1）在汽车检测数据集上使用对象检测；（2）处理边界框导包import argparse
import os
import matplotlib.pyplot as plt
from matplotlib.pyplot import imshow
import scipy.io
import scipy.misc
import numpy as np
import pandas as
转载
2023-11-27 16:47:55
57阅读
智慧工地火焰烟火识别检测算法通过yolo网络模型深度学习技术，智慧工地火焰烟火识别检测算法对现场浓烟和烟火情况，立即抓拍告警并进行存档。YOLO 的核心思想就是把目标检测转变成一个回归问题，利用整张图作为网络的输入，仅仅经过一个神经网络，得到bounding box（边界框） 的位置及其所属的类别。在介绍Yolo算法之前，首先先介绍一下滑动窗口技术，这对我们理解Yolo算法是有帮助的。采用滑动窗口
转载
2023-08-17 09:25:27
149阅读
网络结构借鉴了 GoogLeNet 。24个卷积层，2个全链接层。（用1×1 reduction layers 紧跟 3×3 convolutional layers 取代Goolenet的 inception modules ）参考链接1.第一层卷积层： 过滤器可以看做是卷积核的集合。 一个过滤器就对应一个特征图。 卷积后深度与卷积核的个数一致64是卷积核filter的深度 第一层通道3（
一、背景介绍YOLO（You Only Look Once: Unified, Real-Time Object Detection）
原创
2018-08-25 10:19:47
284阅读
1 目标定位对象检测，它是计算机视觉领域中一个新兴的应用方向，相比前两年，它的性能越来越好。在构建对象检测之前，我们先了解一下对象定位，首先我们看看它的定义。图片分类任务我们已经熟悉了，就是算法遍历图片，判断其中的对象是不是汽车，这就是图片分类。这节课我们要学习构建神经网络的另一个问题，即定位分类问题。这意味着，我们不仅要用算法判断图片中是不是一辆汽车，还要在图片中标记出它的位置，用边框或红色方框
转载
2024-01-11 22:15:03
96阅读
1.YOLO简介1.1.R-CNN系列与YOLO R-CNN系列的目标检测模型，其步骤可分为两步：第一步是生成许多个region proposal，第二步是对region proposal进行分类和边框回归。也就是说R-CNN系列不仅网络结构复杂，而且把目标检测任务由分类和回归共同完成。R-CNN系列检测的精确度是非常好的，但因为模型复杂，步骤繁杂，因此速度也
转载
2023-10-31 15:16:33
182阅读
图机器学习（图神经网络的应用）1. Graph Augmentation for GNNs1. 为什么要做图增强我们在之前都假设原始数据和应用于GNN的计算图一致，但很多情况下原始数据可能不适宜于GNN：特征层面：输入图可能缺少特征（也可能是特征很难编码）→特征增强结构层面：图可能过度稀疏→导致message passing效率低（边不够嘛）图可能过度稠密→导致message passing代价太
转载
2023-11-13 11:04:23
330阅读
基础问题CNN1. 卷积神经网络和全连接网络的根本不同之处在哪里两者之间的唯一区别是神经网络相邻两层的连接方式。在全连接神经网络中，每相邻两层之间的节点都有边相连，而对于卷积神经网络，相邻两层之间只有部分节点相连；全连接网络缺点： 参数太多，计算速度变慢，容易过拟合 卷积神经网络：局部链接；权值共享；参数更少，降低过拟合的可能卷积神经网络一般是由卷积层、汇聚层和全连接层交叉堆叠而成的前馈神经网络。
转载
2024-01-22 11:43:59
70阅读
神经网络是人工智能中深度学习的一个重要技术，但是神经网络也是具有一定的局限性的，在处理特殊场景的时候会有一点麻烦，然而现在有一种特殊的方式使得神经网络能够比以前更强大，这种技术就是复合型神经网络。那么复合性神经网络有什么优点呢？下面我们就给大家介绍一下这个概念。其实如果要想了解复合性神经网络，就需要知道复合性的原则，而复合性是一条通用原则，我们可以把它描述为一种相信世界是可知的信念，我们可以把事
转载
2023-10-11 16:27:27
134阅读
概述到目前为止，我们已经处理了整个输入（例如，在整个输入中应用过滤器以提取特征），但我们也可以按顺序处理我们的输入。例如，我们可以将文本中的每个标记视为时间事件（时间步长）。我们可以一次处理每个时间步，并在处理完最后一个时间步（令牌）后预测类别。这是非常强大的，因为该模型现在有一种有意义的方式来解释我们序列中标记的顺序并进行相应的预测。 多变的描述ñ批量大小和嵌入维度H# 隐藏单元在HHRNN
转载
2023-05-23 22:10:53
167阅读
一、RNN原理RNN的目的使用来处理序列数据。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的。 序列数据往往前后时刻是相关的，因此用RNN。RNN特点 1、权值共享，图中的W全是相同的，U和V也一样。 2、每一个输入值都只与它本身的那条路线建立权连接，不会和别的神经元连接。前向传播 交叉熵损失函数：反向传播应用多层网络、双向网络结构RNN缺点 容易出现梯度消失或者梯度爆
转载
2023-10-19 10:38:44
460阅读
如何搭建神经网络1、神经网络基本原理前向传播（Forward-Pass）反向传播（Backward-Pass）2、利用Python进行简单的网络模型搭建依赖库对每一层网络创建一个类输入层（输入数据）隐藏层（激活函数）输出层（损失函数）优化器利用模型进行预测网络搭建完整代码 1、神经网络基本原理前向传播（Forward-Pass） 对于一个神经元来说，其对前一层网络中的所有输出分别乘上权重w1、w
转载
2023-09-04 10:28:11
127阅读
RNN的问题RNN（Recurrent Neural Network，循环神经网络）主要应用在自然语言处理、机器翻译、情感分析、时序序列问题。这些的功能的共同特点是具有时序性。卷积神经网络是没有记忆性的（我对这句话的理解是神经元之间没有信息传递，各个矩阵是独立计算的，当然不是说整个网络没有记忆，只是记忆是独立的），RNN通过神经元之间的信息传递保留了记忆（就是一个state变量，加变量是为了增加模
转载
2023-12-19 08:29:12
57阅读
递归神经网络（RNN）RNN是最强大的模型之一，它使我们能够开发如分类、序列数据标注、生成文本序列（例如预测下一输入词的SwiftKey keyboard应用程序），以及将一个序列转换为另一个序列（比如从法语翻译成英语的语言翻译）等应用程序。大多数模型架构（如前馈神经网络）都没有利用数据的序列特性。例如，我们需要数据呈现出向量中每个样例的特征，如表示句子、段落或文档的所有token。前馈网络的设计
转载
2023-08-30 22:58:58
49阅读
The definition of neural network:神经网络是由具有适应性的简单单元组成的广泛并行互联的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。神经网络的学习过程，就是根据训练数据来调整神经元之间的连接权（connection weight）以及每个功能神经元的阈值，神经网络经过学习后的东西，蕴藏在连接权与阈值中。5.1神经元模型 其最初是模拟的生物神经元。
转载
2023-10-31 19:59:40
102阅读
本篇博客主要参考了周志华老师团队在2017年IJCAI上发表的论文《Deep Forest: Towards an Alternative to Deep Neural Networks》。这篇文章的主要贡献是把深层次的神经网络的原理运用到了传统的机器学习算法“random forest”中去，并取得了和深度学习神经网络相当的效果。众所周知，现在深度学习在工业界和学术界都非常的火，各种基于卷积神经
转载
2023-12-31 15:17:05
264阅读
往期回顾在前面的文章中，我们介绍了循环神经网络，它可以用来处理包含序列结构的信息。然而，除此之外，信息往往还存在着诸如树结构、图结构等更复杂的结构。对于这种复杂的结构，循环神经网络就无能为力了。本文介绍一种更为强大、复杂的神经网络：递归神经网络 (Recursive Neural Network, RNN)，以及它的训练算法BPTS (Back Propagation Through Struct
转载
2023-06-22 00:21:13
103阅读
目录循环神经网络与卷积神经网络循环神经网络的梯度消失问题循环神经网络中的激活函数长短期记忆网络Seq2Seq模型注意力机制循环神经网络与卷积神经网络1. 处理文本数据时，循环神经网络与前馈神经网络相比有什么特点？（1）在神经网络的建模过程中，一般的前馈神经网络，如卷积神经网络，通常接受一个定长的向量作为输入。卷积神经网络对文本数据建模时，输入变长的字符串或者单词串，然后通过滑动窗口加池化的方式将原
转载
2024-02-18 15:12:17
42阅读
神经网络算法( Neural Network )是机器学习中非常非常重要的算法。它 以人脑中的神经网络为启发，是整个深度学习的核心算法。深度学习就是根据神经网络算法进行的一个延伸。背景神经网络是受神经元启发的，对于神经元的研究由来已久，1904年生物学家就已经知晓了神经元的组成结构。一个神经元通常具有多个树突，主要用来接受传入信息；而轴突只有一条，轴突尾端有许多轴突末梢可以给其他多个神经元传递信息
转载
2023-06-14 18:47:40
446阅读
目录1 概述2 CNN3 R-CNN4 Fast R-CNN5 Faster R-CNN6 AlexNet7 ResNet8 Mask R-CNN9 YOLO10 SSD11 RetinaNet 卷积神经网络现在在图像识别领域中使用广泛，主要有最原始的 CNN网络，之后再 CNN网络上演化出 R-CNN网络，但是由于速度还不够快，于是出现了 RCNN的改进版 Fast R-CNN与更快的框架
转载
2023-12-18 23:07:08
12阅读
