相关理论可以看这篇文章 Deep Learning using Linear Support Vector Machines，ICML 2013主要使用的是SVM的hinge loss形式的损失函数原始的SVM的损失：（公式图片截取自开头的论文）SVM的hinge loss形式的损失：（公式图片截取自开头的论文）这里解决的是二分类问题，多分类的话和softmax一样，简单说明如下：（公式
转载
2024-03-21 21:37:08
82阅读
tf框架的范围管理scope技术来优化参数设定，最终准确率为0.984这里主要引入较多参数来改进原有的cnn模型：使用激活函数去线性化使用隐藏层即加深层数以解决复杂问题使用学习率调整更新参数的频度使用滑动平均模型来调整模型结果# 导入必要的库
import tensorflow as tf
import os
from tensorflow.examples.tutorials.mnist im
转载
2024-04-14 22:23:34
111阅读
《Very Deep Convolutional Networks For Large-scale image Recongniton》基于卷积神经网络的图像分类（经典网络）作者： Karen Simonyan&Andrew Zisserman单位：牛津大学（visual Geometry Group）发表会议及时间：arXiv 2015论文导读论文研究背景，成果自从2012年ALexne
为了促进自己技术的提升，鄙人打算开一个语义分割系列，讲语义分割中经典的网络论文与具体实现，并应用于一些数据集中。FCN是我第一篇语义分割文章，在此做个记录。本文假设读者已具备基本的图像分类知识前言FCN网络，出自论文Fully Convolutional Networks for Semantic Segmentation，是语义分割的开山之作。2012年，AlexNet凭借在ImageNet比赛
一、图像分类概述 本模块是用在图像内容识别的部分，图像分类是利用计算机对图像进行定量分析，把图像中的每个像元或区域划归为若干个类别中的一种，以代替人工视觉判读的技术。从目视角度来说，对图像进行提高对比度、增加视觉维数、进行空间滤波或变换等处理的目的就是使人们能够凭借知识和经验，根据图像亮度、色调、位置、纹理和结构等特征，准确地对图像景物类型或目标做出正确的判读和解释。 特征提取是计算机
转载
2024-08-10 23:24:45
57阅读
神经网络采用预训练好的inception-V3，其内部权值、偏置值均为确定的值首先在github上下载tensorflow注意要与电脑中的tensorflow版本相匹配 可以找一下 名字为tensorflow-frankchn的包 下载完成后打开F:\tensorflow\tensorflow-frankchn\tensorflow\examples\image_retraining这个
转载
2024-09-19 18:18:47
20阅读
文章目录前言一、前期工作1.设置GPU2.导入数据3.查看数据二、数据预处理1.加载数据2.可视化数据3.再次检查数据4.配置数据集三、调用官方网络模型四、设置动态学习率五、编译六、训练模型七、评估模型1.Accuracy和Loss图2.混淆矩阵八、保存和加载模型九、预测 前言本文通过对人眼状态的识别达到检测注意力的目的。一、前期工作1.设置GPUimport tensorflow as tf
转载
2024-07-22 11:32:44
295阅读
一、优化算法 优化算法有很多中，其中最为简单常见的是SGD（stotastic gradient descent）算法，但该算法也有缺点，即对于高维网络的优化，由于高维的网络会存在很多鞍点，即梯度为零的点，如果学习率不大，就有可能会停留在鞍点而无法再优化，所以一种改进的方法是在随机梯度下降算法的基础上加上了动量（momentum）
0. 雁字无多 我这两天要是再不学习一下之后可能时间就很少了，期末作业是做了一些了。但是，今天接到一个大任务，今年实验室招标和项目我负责。就在我写这段文字的时候，我老板进来了。正好，我就继续写吧。可是又说了半天招标的事情，说XX所好赚钱好赚钱，流程怎么怎么跑，要去招标局和公司做啥做啥。AlexNet，VGGNets，GoogLeNet&Inception和ResN
转载
2024-07-31 13:48:05
103阅读
h_fc2_drop = tf.nn.dropout(h_fc2, keep_prob)
#Layer11-softmax层
W_fc3 = tf.Variable(tf.truncated_normal([1024,10],stddev=0.1))
b_fc3 = tf.Variable(tf.constant(0.1,shape=[10]))
y_conv = tf.matmul(h_
转载
2024-10-23 15:52:41
17阅读
文章目录前言一、将nii图像数据转成npy格式二、加载数据1.加载数据，Dataset.py:1.一些其他函数，utils.py:二、建模 model.py二、训练 train.py二、预测 predict.py总结 前言本文从数据预处理开始，基于LeNet搭建一个最简单的3D的CNN，计算医学图像分类常用指标AUC，ACC，Sep，Sen，并用5折交叉验证来提升预测指标，来实现3D的MRI图像
转载
2024-03-21 15:23:49
88阅读
一、什么是胶囊网络1.1普通CNN的缺点：CNN在提取特征时只在乎有没有，不在乎他具体的状态是如何的。上面第一张图片是一个人像，CNN可以正常识别出来；第二张是一个五官错位的图片，CNN仍然将其识别成一张人脸。这是因为CNN是可以识别出人像所具有的具体特征，只要包含这些特征就将其判定为一张人脸。 1.2Hinton自己说过：最大池化层表现的如此优异是一个巨大的错误，是一场灾难。从图中不难
转载
2024-04-18 22:16:06
291阅读
文章目录0 简介1 常用的分类网络介绍1.1 CNN1.2 VGG1.3 GoogleNet2 图像分类部分代码实现2.1 环境依赖2.2 需要导入的包2.3 参数设置(路径，图像尺寸，数据集分割比例)2.4 从preprocessedFolder读取图片并返回numpy格式(便于在神经网络中训练)2.5 数据预处理2.6 训练分类模型2.7 模型训练效果2.8 模型性能评估3 1000种图像分
转载
2024-03-27 08:13:49
149阅读
点赞
前言深度卷积网络极大地推进深度学习各领域的发展，ILSVRC作为最具影响力的竞赛功不可没，促使了许多经典工作。我梳理了ILSVRC分类任务的各届冠军和亚军网络，简单介绍了它们的核心思想、网络架构及其实现。代码主要来自：https://github.com/weiaicunzai/pytorch-cifar100ImageNet和ILSVRCImageNet是一个超过15 million的图像数据集
计算机视觉（斯坦福2017课程）循环神经网络（RNN：recurrent neural networks）语言建模问题经常被运用到RNN领域完全监督来训练这个模型；多层循环神经网络：LSTM（长短期记忆网络：Long Short Term Memory） LSTM被设计用来解决RNN中可能会出现的梯度消失和梯度爆炸问题，以更好的结构来获取更好的梯度流动。i代表input gate（输入门）； f代
转载
2024-07-17 13:16:09
176阅读
一．预处理 1．降噪处理 由于传感器的因素，一些获取的遥感图像中，会出现周期性的噪声，我们必须对其进行消除或减弱方可使用。 （1）除周期性噪声和尖锐性噪声 周期性噪声一般重叠在原图像上，成为周期性的干涉图形，具有不同的幅度、频率、和相位。它形成一系列的尖峰或者亮斑，代表在某些空间频率位置最为突出。一般可以用带通或者槽形滤波的方法来消除。
卷积神经网络——CNN目标识别和分类实现对图像的高准确率识别卷积神经网络主要应用于计算机视觉相关任务，不局限于图像，对于序列问题，语音识别也可以应用卷积神经网络。计算机通过寻找诸如边缘和曲线之类的低级特点来分类图片，继而通过一系列卷积层级建构出更为抽象的概念。这就是CNN工作方式。 CNN 工作的顺序：一张图片经过卷积层、非线性层、池化（下采样（downsampling））层、全连接层最
转载
2023-10-12 14:39:56
31阅读
前言前文已经介绍过卷积神经网络的基本概念【深度学习】卷积神经网络-CNN简单理论介绍。下面开始动手实践吧。本文任务描述如下： 从公开数据集CIFAR10中创建训练集、测试集数据，使用Pytorch构建CNN模型对训练集数据进行训练，然后在测试集中测试，查看简单的CNN模型训练效果如何。 CIFAR10公开数据地址：http://www.cs.toronto.edu/~kriz/cifar.html
转载
2023-10-16 00:08:13
54阅读
@我的CNN图像分类学习之路（1）CNN学习之路这是我注册以来的第一篇学习记录，仅当作自己学习之路上的笔记使用，当然如果某些地方可供大家参考使用那将使我倍感荣幸。不多说，开始记录！！Alexnet网络简介在学习CNN图像分类之前，我已经学习过了python基础、keras神经网络的架构，在此基础上开始进行CNN学习。打开使用CNN网络进行图像分类之路的就是这个Alexnet网络（论文原文在
转载
2024-03-07 23:10:43
126阅读
支持向量机SVM-对图像进行分类原理讲解和代码示例对于图像分类，我们往往都想到卷积神经网络，深度学习，可是深度学习很多时候需要很大的计算开销，而且代码编写和调试也较为复杂，对于小型且特征明显数据集的图像分类，有点小试牛刀今天我们就奖一种机器学习的算法SVM对图像进行分类今天我们讲的一个实例是关于一个三分类问题，数据是工业中的图片。 我已将数据集和测试集发在我的资源中，需要练习的可以下载对于图像分类
转载
2024-04-16 10:20:57
54阅读
