在我的个人博客上一篇博文中分析了卷积神经网络的结构与相关算法，知道了这些基本原理之后。这篇博文主要介绍在卷积神经网络的发展历程中一些经典的网络模型。LeNet5 LeCun等将BP算法应用到多层神经网络中，提出LeNet-5模型[1]（效果和paper见此处），并将其用于手写数字识别，卷积神经网络才算正式提出。LeNet-5的网络模型如图1所示。网络模型具体参数如图2所示。
图
转载
2024-08-14 11:48:02
69阅读
1、torchvision的介绍torchvision 是 pytorch 中一个很好用的包，主要由 3 个子包，分别是 torchvision.datasets，torchvision.models 和 torchvision.transforms 参考官网：http://pytorch.org/docs/master/torchvision/index.html 代码：https://gith
转载
2024-04-16 10:15:18
172阅读
torch Tensor学习：切片操作
torch
Tensor
Slice
一直使用的是matlab处理矩阵，想从matlab转到lua+torch上，然而在matrix处理上遇到了好多类型不匹配问题。所以这里主要总结一下torch/Tensor中切片操作方法以及其参数类型，以备查询。已知有
转载
2024-06-26 14:16:27
78阅读
Deep High-Resolution Representation Learning for Human Pose Estimation (CVPR 2019 oral) 文章地址：https:/
ResNetIntroduction深度卷积神经网络曾在图像分类领域做出了重大突破。 深度网络可以吸收各种维度层次的特征，而这个特征的深度我们可以通过加深神经网络层数来得到。我们知道网络深度是一个非常重要的影响网络性能的因素。很多的图像领域的神经网络模型也都是基于比较深层次的网络结构的。但这样深层次的网络结构是否容易训练，容易学习样本分布呢？出现的问题大家应该也都知道，梯度爆炸和梯度消失的问题在深
转载
2024-10-03 13:31:24
384阅读
Pytorch从零构建ResNet第一章 从零构建ResNet18 第二章 从零构建ResNet50 文章目录Pytorch从零构建ResNet前言一、Res50和Res18的区别？1. 残差块的区别2. ResNet50具体结构二、ResNet分步骤实现三、完整例子+测试总结 前言ResNet 目前是应用很广的网络基础框架，所以有必要了解一下，并且resnet结构清晰，适合练手.有了前面resn
转载
2024-06-21 19:50:47
291阅读
最开始接触到这个ResNet的时候是在看deeplab2的论文的时候，里面用到的是Res101，对于习惯了使用VGG16来作为基本框架的我对于这个101层的网络自然是充满着无比的敬意呀，哈哈。ResNet在各个方面的表现都很优异，他的作者何凯明博士也因此摘得CVPR2016最佳论文奖。我认为VGG16是在AlexNet的基础上加深了网络层次从而获得了优异的结果，就理论上来说，ResNe
ssd模型图示模型原理ssd主要的思想是以cnn做为特征提取网络，例如以resnet50做为提取网络，删除掉resnet后面的全连接层，再增添几层额外的卷基层提取特征，得到不同尺度的特征图，然后我们让这些不同层次的特征图分别预测不同大小的目标，浅层卷积层提取到的是比较细小的特征，越深层的卷积提取到的信息会越丰富，因此我们让浅层的卷积特征图去检测小的目标，让深层的卷积特征图去检测大的目标。 还是直接
转载
2024-04-01 06:16:59
189阅读
在看本文之前，请下载对应的代码作为参考：pytorch/vision/detection/faster_rcnn。总体结构花了点时间把整个代码架构理了理，画了如下这张图： (*) 假设原始图片大小是599x900主体部分分为这几大部分：Transform，主要是对输入图像进行转换Resnet-50，主干网，主要是特征提取FPN，主要用于构建特征金字塔给RPN提供输入特征图RPN，主要是产生regi
转载
2024-03-15 08:23:55
295阅读
pytorch fasterrcnn-resnet50-fpn 神经网络 目标识别 应用 —— 推理识别代码讲解（开源）项目地址二、推理识别代码讲解1、加载模型1）加载网络结构2）加载权重文件3）model状态配置2、图片推理推理——最最最关键的环节到了！boxes:labels:scores:boxes labels scores 是按照顺序对应的3、推理结果转换完整代码 项目地址完整代码放在
转载
2024-08-22 11:42:13
260阅读
摘要：resnet神经网络原理详解resnet为何由来：resnet网络模型解释resnet50具体应用代码详解：keras实现resnet50版本一：keras实现resnet50版本二：参考文献：摘要：卷积神经网络由两个非常简单的元素组成，即卷积层和池化层。尽管这种模型的组合方式很简单，但是对于任何特定的计算机视觉问题，可以采
转载
2024-04-28 15:59:50
223阅读
摘要：承接上一篇LeNet网络模型的图像分类实践，本次我们再来认识一个新的网络模型：ResNet-50。不同网络模型之间的主要区别是神经网络层的深度和层与层之间的连接方式，正文内容我们就分析下使用ResNet-50进行图像分类有什么神奇之处，以下操作使用MindSpore框架实现。1.网络：ResNet-50对于类似LeNet网络模型深度较小并且参数也较少，训练起来会相对简单，也很难会出现梯度消失
转载
2024-03-15 16:07:22
399阅读
目录1、作业简介1.1、问题描述 1.2、预期解决方案1.3、数据集1.4、部分数据展示2、数据预处理2.1、数据集结构2.2、数据集的探索性分析2.3、图像数据的预处理2.4、标签数据的预处理2.5、使用 DataLoader 加载数据3、ResNet50模型3.1、ResNet50的网络结构及其中间的维度变换3.2、通过导包直接使用ResNet503.3、用Resnet50进行训练（
转载
2024-06-27 06:35:03
128阅读
1 深度残差网络 随着CNN的不断发展，为了获取深层次的特征，卷积的层数也越来越多。一开始的 LeNet 网络只有 5 层，接着 AlexNet 为 8 层，后来 VggNet 网络包含了 19 层，GoogleNet 已经有了 22 层。但仅仅通过增加网络层数的方法，来增强网络的学习能力的方法并不总是可行的，因为网络层数到达一定的深度之后，再增加网络层数，那么网络就会出现随机梯度消失的问题，也会
转载
2024-03-15 05:27:31
300阅读
文章目录前言1、网络结构2、代码解读resnet50总结 前言整理下特征提取网络resnet的网络结构 1、网络结构 有5个输出层C1,C2,C3,C4,C5，其中常用的是C2,C3,C4,C5层。没有单独的层进行下采样，直接在残差的时候进行下采样。2、代码解读resnet50整个resnet50的forward代码如下（示例）：def forward(self, x):
"""
转载
2024-03-23 09:14:43
624阅读
RNNoise是一个采用音频特征抽取+深度神经网络结合的降噪方案. 更多相关基本信息, 请查看 RNNoise学习和翻译系列目录1.读取文件生成特征的主循环2. 构造不同场景和条件的训练3. 特征和标记提取代码4. 特征提取代码1.读取文件生成特征的主循环Denoise.c 中的main函数是特征提取部分的主流程.循环之外的内容有:数据对象管理命令行参数分析文件操作跳过噪音开头的帧主循环
本系列论文阅读总结主要专注于特征提取模型。本篇博客主要讲述第一篇卷积神经网络——AlexNet。鄙人也是深度学习方面半路出家，这篇发表于2012年的论文以前也没有亲自读过，只是通过一些课程和与人交流了解了一些，难免有点拾人牙慧的嫌疑。事实证明也确实需要自己亲自读一读，因为我发现大家的学术背景都不同，基础都不一样，人家以为的常识我却完全不懂。在此也建议各位看客有空去读一读原文，会有意想不到的收获。本
整个Inception结构是由多个这样的模块串联起来的，Inception结构的主要优势有两个。（1）使用1×1的卷积来进行升降维。在相同尺寸的模块中叠加更多的卷积，能提取更丰富的特征。对于某个像素点来说，1×1卷积等效于该像素点在所有特征上进行一次全连接的计算，每一个卷积后面都需要紧跟着激活函数。将两个卷积串联，就能组合出更多的非线性特征。使用1×1卷积进行降维，降低了计算复杂度。当某个卷积层输
基于幅度的阈值分割方法
直接固定阈值法
就是选择一个阈值，对图像进行二值化处理，如果当图像中的像素值小于该阈值时，可以置零或255，相反的，当图像中的像素值大于该阈值时，可以置255或0. 总之，图像分割后的图像是二值的，就是只有0和255. 自适应阈值法 基本思路就是，对图像中的每个像
原文：MobileFaceNets: Efficient CNNs for Accurate Real-time Face Verification on Mobile DevicesMobileFaceNet1、四个问题要解决什么问题？
设计一个在手机或嵌入式设备上可实时运行且具有高精度的人脸验证CNN模型。用了什么方法解决？
以MobileNet v2网络为骨架，做了一些改进：
