导读：卷积神经网络（CNNs）在“自动驾驶”、“人脸识别”、“医疗影像诊断”等领域，都发挥着巨大的作用。这一无比强大的算法，唤起了很多人的好奇心。当阿尔法狗战胜了李世石和柯杰后，人们都在谈论“它”。但是，“它”是谁？“它”是怎样做到的？已经成为每一个初入人工智能——特别是图像识别领域的朋友，都渴望探究的秘密。本文通过“算法可视化”的方法，将卷积神经网络的原理，呈献给大家。教程分为上、下两个部分，通
四、全卷积网络FCN详细讲解（超级详细哦）1、全卷积网络（FCN）的简单介绍1.1、CNN与FCN的比较2、FCN上采样理论讲解2.1、双线性插值上采样2.2、反卷积上采样2.3、反池化上采样2、 FCN具体实现过程3、 FCN模型实现过程3.1、模型训练3.2、FCN模型的简单总结 1、全卷积网络（FCN）的简单介绍1.1、CNN与FCN的比较CNN: 在传统的CNN网络中，在最后的卷积层之后
转载
2024-07-09 20:05:28
269阅读
由于学艺不精（其实就是瞎鸡儿学），让这几个概念把我弄蒙了。神经网络、深度学习区别： 这两个概念实际上是互相交叉的，例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。
转载
2024-04-08 22:19:52
686阅读
FCN备注：此文的FCN特指《Fully Convolutional Networks for Semantic Segmentation》论文中提出的结构，并非是广义的全卷机网络。一、介绍1.1 FCN关于图像分割算法，传统方法有很多（图像分割的历史），而全卷机神经网络（FCN，Fully Convolutional Network）是第一次将端到端的卷积网络推广到了语义分割任务当中，随后出现的
转载
2024-08-08 22:23:23
46阅读
构建CNN网络需要注意问题数据预处理（均值，方差， 人脸归一化。。。）， 数据增强【放射变换、运动模糊、高斯滤波模糊类，增加噪声类， 色彩/饱和度/亮度调整类、 Flip类，Crop类】 这些都是根据实际的应用场景选择。 1.参数多少问题 [卷积核大小，通道数，卷积方式:conv / depthwiseconv / 空洞卷积 激活函数 PRelu]2.Flops计算量问题 【
转载
2024-08-08 11:47:25
33阅读
编辑：LRS【导读】在Transformer当道的今天，CNN的光芒逐渐被掩盖，但Transformer能否完全取代CNN还是一个未知数。最近北大联合UCLA、微软发表论文，他们发现Transformer可以在一定限制条件下模拟CNN，并且提出一个两阶段训练框架，性能提升了9%。Visual Transformer（ViT）在计算机视觉界可以说是风头无两，完全不使用卷积神经网络（CN
转载
2024-05-17 09:30:06
83阅读
本文的论文来自： Notes on Convolutional Neural Networks, Jake Bouvrie。 这个主要是CNN的推导和实现的一些笔记，再看懂这个笔记之前，最好具有CNN的一些基础。这里也先列出一个资料供参考：[1] Deep L
转载
2024-08-08 11:43:30
18阅读
一、YOLO11、目标检测主要思想与RCNN系列不同，YOLO把目标检测看作一个回归问题，直接用一个网络进行分类和框回归。具体做法是：将image划分为S*S个网格，每个网格预测B个bbox的位置（x、y、w、h）、置信度（confidence为交并比）、类别概率。输出维度为S*S*（B*5+C），C为类别数。无论网格中包含多少个boxes，每个网格只预测一组类概率。测试时，将条件类概
转载
2024-06-07 14:12:38
247阅读
学习目标1.学习CNN基础和原理 2.使用pytorch框架构建CNN模型，并完成训练。CNN介绍卷积神经网络（CNN）是一类特殊的人工神经网络，是深度学习中重要的一个分支，CNN在多数领域表现优异，精度和速度比传统的计算学习算法高很多。CNN进行权值共享，在计算机视觉领域，CNN是解决图像分类，图像检索，物体检测和语义分割的主流模型。 CNN每一层由众多的卷积核组成，每个卷积核对输入的像素进行卷
转载
2024-04-10 14:12:31
660阅读
写在前面CNN(Convolution Neural Network) 和 RNN(Recurrent Neural Network)是当下 Deep Learning 应用领域中主流的两大结构。前篇文章中我们介绍了 CNN，本篇开始我们聊聊 RNN。RNN 跟 CNN 历史相似之处在于，都是上个世纪提出来的概念。但是由于当时计算量和数据量都比较匮乏，它们都被尘封，直到近几年开始大放异彩，可以说是
转载
2024-05-10 19:31:35
0阅读
参考文档：CS231n一、概述 卷积神经网络（Convolutional Neural Network，CNN）与原始的fully connect neural network相似，由具有可训练的权重和偏差的神经元组成，每个神经元接受输入，执行点积，有选择性的用一个非线性函数处理它。整个网络仍表现为一个单一可微函数，并在最后一层具有损失函数。不同之处在于，CNN明确假定输
转载
2024-05-23 23:18:24
67阅读
简单学习BoTNet1.简单介绍 如今transformer热度较高，越来越多的人都来研究transformer，并将其用于CV领域，下图（出自BoTNet论文）就介绍了当前self-Attention在CV领域的应用，而本篇文章的主角BoTNet就是利用CNN+transformer的方式提出一种Bottleneck Transformer来代替ResNet Bottleneck。 2.大体结构
转载
2024-02-18 19:40:04
156阅读
Fully Convolutional Networks for Semantic Segmentation目录FCN和CNN的比较上采样方法双线性插值上采样卷积运算Same卷积（四周补0）Valid卷积(无padding) Full卷积（反卷积）反池化上采样FCN具体实现FCN结构 跳级(strip)结构损失函数LossFCN和CNN的比较CNN: 在传统的CNN网络中，在最
转载
2024-03-28 04:29:28
0阅读
最近在学习语音识别的知识，发现李宏毅老师今年也出了相应的视频，相应的课件可以从下面的位置获取：http://speech.ee.ntu.edu.tw/~tlkagk/courses_DLHLP20.htmlYoutube视频：https://youtu.be/AIKu43goh-8https://youtu.be/BdUeBa6NbXAhttps://youtu.be/CGuLuBaLIeI 课件
在当今的计算机视觉领域，深度学习方法不断推陈出新，其中“扩散模型”（Diffusion Models）和“卷积神经网络”（CNNs）是最受到关注的两种技术。然而，许多人对它们之间的区别仍不够了解。
> “在面对图像生成和特征提取时，我总是感到困惑，扩散模型和CNN到底有什么不同？”
首先，我们需要明确扩散模型与CNN的背景。在图像生成任务中，扩散模型利用一系列逐步去噪的过程来实现高质量图像生成
Abstract传统滤波器(如Gabor滤波器)的设计主要采用可调控的特性，并赋予特征处理空间变换的能力。然而，这些优秀的特性在目前流行的深度卷积神经网络(DCNNs)中还没有得到很好的探索。在本文中，我们提出了一种新的深度模型，称为Gabor卷积网络(GCNs或Gabor cnn)，该模型将Gabor滤波器集成到DCNN中，以增强深度学习特征对方向和尺度变化的抵抗力。通过基于Gabor滤波器操作
经常接触LSTM，GRU,RNN这些模型，对于LSTM的印象只是知道它用来解决梯度消失梯度爆炸问题，对于长距离的句子的学习效果不好的问题，而且大概知道里面是加了一些参数，加了门单元来选择忘记和记住一些信息。但是具体公式没有推过，所以理解的不够深。但是上面这篇长博文，作者真心花了很多心血来创作，写的详细，易懂，对于学习lstm有很大的帮助。读完后我觉得要理解几个门的作用，文中作者提到的三个例子恰到
前言GCN与CNN有很多相似之处。GCN的卷积思想也是基于CNN卷积的优秀表现所提出的，。GCN由于其表达形式和卷积方法特殊性，在节点分类任务(引文网络)中，只有简单的3-4层可以把任务完成的很好。但是对于一些其他的的任务，可能浅层的网络模型没有办法很好的处理数据。但是当把GCN的层数增多之后，会出现梯度消失和over-smoothing的问题，与当时CNN的层数加深出现的问题相似，因此自然想到了
文章目录一、分类算法—KNN/K-近邻二、简单分类三、改进分类1.归一化处理2.评估算法的正确率四、总结 机器学习是人工智能领域的一个核心分支，机器学习自身又可根据训练数据有无标签分为监督学习（supervised Learning）和无监督学习（unsupervised Learning），当然还有强化学习(Reinforcement Learning)，可能还有很多。 机器学习，也就是让机器
首先我们先将具体的数字图片转换为向量矩阵形式，存储在txt文件下，具体格式如下，其是数字0的矩阵向量形式： 整个项目文件夹下分一部分为训练集数据集另一部分为测试集数据集，文件格式如下： 那么直接开始上KNN算法的代码实现算法了：（附有详细讲解） # -*- coding: UTF-8 -*-
import numpy as np
