LeNet-5 CNN分类网络开端，用于手写字符识别识别率相当高。 创建卷积框，设置大小、步长、数量等，对图像进行卷积操作，提取特征的操作，池化降维，全连接分类输出。之后的分类网络都是基于此框架进行的优化。AlexNet 作为2012年ImageNet分类冠军，把LeNet发扬光大，运用了Relu，Dropout，LRN等trick，并且使用GPU加速。 使用Relu 对梯度衰减进行加速，并且一定
转载
2024-03-23 10:35:37
31阅读
机器学习实战教程(13篇)_M_Q_T的博客这些网址非常适合想学习机器学习，却苦于没有项目（尤其缺少数据）的人。无意中看到，给自己做一个记录。 目录大类：学习方式监督式学习：非监督式学习：半监督式学习：强化学习：算法类似性 回归算法：基于实例的算法正则化方法决策树学习贝叶斯方法基于核的算法聚类算法关联规则学习人工神经网络深度学习降低维度算法集成算法：决策树一、 决策树优点二、决策树
转载
2024-05-20 07:47:33
87阅读
1.概述 AlexNet包括6000万个参数和65万个神经元，网络结构包括5个卷积层和3个全连接层，最后一个全连接层接1000路softmax层用于分类，其中第1、2卷积层后连接局部响应归一化层(LRN)，第1、2、5卷积层后连接最大池化层。 数据集：ILSVRC(ImageNet子数据集)，包括120万张训练集图片(1000类)，5万张验证集图片和15万张测试集图片； ImageNet数据集：1
转载
2024-06-08 17:14:46
77阅读
CNN 的两个弊端 自从Alex Krizhevsky 等论文 ImageNet Classification with Deep Convolutional Networks 在 NIPS2012 发表开始，CNN 已经成为很多领域十分重要的工具，深度学习已很普遍. 基于 CNN 的方法已经在计算机视觉的诸多任务中取得了卓越的成绩. 但，CNN 是完美的吗？是能选择的最佳方案吗？当然不
转载
2024-05-05 17:40:16
263阅读
CNN、RNN、GAN网络一、CNN**1、结构****2、应用****3、CNN的类型综述**二、RNN**1、结构****2、应用****3、RNN类型**三、GAN**1、结构****2、应用****3、GAN类型** 一、CNN1、结构卷积神经网络CNN（带有卷积的一类网络总称） 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有
转载
2024-03-26 11:00:46
380阅读
前言： 主要总结一下自己最近看文章和代码的心得。 1. CNN用于分类：具体的过程大家都知道，无非是卷积，下采样，激活函数，全连接等。CNN用于分类要求它的输入图片的大小是固定的（其实不单单是CNN，很多其它的方法也是这样的），这是它的一个不足之处之一。目前的大部分CNN都是用来做分类比较多。 2. CNN用于检测：主要的方法有两种，细分一下有三种，第一种最为简单和暴力的，通过滑动窗口的方法
转载
2024-03-23 10:09:27
48阅读
！！！入门级选手的博客，请带着做英语短文改错的眼光来看 一、卷积神经网络CNN二、支持向量机SVM三、Adaboost（通过迭代弱分类器而产生最终的强分类器的算法)四、算法优缺点及其发展趋势（1）CNN最大优点是权值共享，减少了计算时间，CNN处理图像可以把原图直接输入网络，特征提取也简单，因为会简化处理，加快处理速度。 缺点：实现相对复杂，网络训练时间长而且由于其泛化性，要对处理的样
转载
2023-10-13 17:27:32
148阅读
CNNs可以自动从(通常是大规模)数据中学习特征，并把结果向同类型未知数据泛化。
选用卷积的原因:
局部感知:
简单来说，卷积核的大小一般小于输入图像的大小（如果等于则是全连接），因此卷积提取出的特征会更多地关注局部 ——
这很符合日常我们接触到的图像处理。而每个神经元其实没有必要对全局图像进行感知，只需要对局部进行感知，
然后在更高层将局部
转载
2024-03-27 21:09:43
125阅读
1、介绍下卷积操作的作用卷积网络中的卷积核参数是通过网络训练出来的通过卷积核的组合以及随着网络后续操作的进行，卷积操作可获取图像区域不同类型特征；基本而一般的模式会逐渐被抽象为具有高层语义的“概念”表示，也就是自动学习到图像的高层特征。2、CNN结构特点局部连接，权值共享，池化操作，多层次结构。1、局部连接使网络可以提取数据的局部特征2、权值共享大大降低了网络的训练难度，一个Filter只提取一个
转载
2024-03-20 10:48:07
117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
297阅读
为了让文章不那么枯燥，我构建了一个精灵图鉴数据集（Pokedex）这都是一些受欢迎的精灵图。我们在已经准备好的图像数据集上，使用Keras库训练一个卷积神经网络（CNN）。深度学习数据集上图是来自我们的精灵图鉴深度学习数据集中的合成图样本。我的目标是使用Keras库和深度学习训练一个CNN，对Pokedex数据集中的图像进行识别和分类。Pokedex数据集包括：Bulbasaur (23
转载
2024-03-22 14:00:24
95阅读
线性分类 由于之前KNN分类器的缺点，让我们很自然地去寻找有更加强大地方法去完成图像分类任务，这种方法主要有两部分组成： 评分函数（score function），它是原始图像数据到类别分值的映射(f(x)=Wx)。 损失函数（loss function），它是用来量化预测分类标签的得分与真实标签之间一致性的。 这种方法其实最后可以转化成一个最优化问题，在最优化过程中，将通过更新评分函
转载
2024-03-21 10:53:28
92阅读
常见机器学习算法的优缺点有监督学习线性回归优点：实现简单，计算简单。缺点：不能拟合非线性数据。KNN优点：理论成熟，思想简单，容易实现，既可以用来做分类也可以用来做回归；可用于非线性分类；模型训练时间快，训练时间复杂度为 O(n)，KNN 算法时惰性的；对数据没有假设，准确度高，对异常值不敏感；KNN 是一种在线技术，新数据可以直接加入数据集而不必进行重新训练；缺点：对内存要求较高，因为该算法存储
转载
2024-04-18 14:04:36
216阅读
1.CNN基础内容CNN的全称是Convolutional Neural Network，是一种前馈神经网络。由一个或多个卷积层、池化层以及顶部的全连接层组成，在图像处理领域表现出色。 本文主要学习TextCNN，作为是CNN在文本分类领域的一个应用。什么是卷积卷积在图像处理领域中： 图片是由RGB或其他颜色模型下多种颜色图像叠加而成。而RGB由颜色由浅到深分为256个等级，故可将图片转化为数字矩
转载
2024-03-27 12:10:44
229阅读
该模型是tensorflow官方文档的第二个模型，使用了cnn卷积网络该技术源于最早的lenet模型，细分计算过程，算上输入和输出，过程可分为卷积、池化、卷积、池化、全联接，总共七层。卷积是用一个卷积核(比二维图像更小的一个二维数组)去扫一遍(就是矩阵积运算)图像，卷积计算可以提取带有卷积核的特征图像池化是放大原图像局部特征，如3*3的像素值数组，突出最大像素值，清零其他像素值。达到放大特征，类似
转载
2024-03-21 15:15:06
108阅读
了解了semantic segmentation与detection的关系，也知道了detection任务的input和output，我要开始入门detection了！本文简述了detection基础知识，与此同时，介绍了detection based on region 家族: RCNN系列semant
转载
2024-06-03 10:18:22
63阅读
主要的神经网络分类方法为：BP神经网络分类算法，径向基神经网络分类算法RBF。通过池化操作可以减少特征维度，保持特征拥有空间不变性。CNN网络在交叉相连的卷积层，池化层后紧连着全连接层与分类器，全连接层通常为多层神经网络(MLP)，在森曾CNN中全连接层中，大多采用能精确模拟生物激活模型的Relu激活函数，其能够使网络在训练过程中加速随机梯度下降法SGD的收敛和防止梯度消失，以提高网络训练速度。于
转载
2024-04-15 14:51:31
56阅读
写在前面**这两周由于实习公司事情较多，来不及写博客。【计算机视觉——RCNN目标检测系列】的第三篇文章【非极大抑制和IoU】的文字材料已经准备好了，但是相关代码放在某服务器上，但是服务器配置出了点问题，需要时间解决。因此先暂时放弃第三篇文章的上传，最近几天把服务器问题解决了立马上线第三篇博客以保证文章的连贯性。在上一篇博客：【计算机视觉——RCNN目标检测系列】三、IoU与非极大抑制 主要讲解了
此篇博客主要是讲一些目前较好的网络发展，提出问题，解决了什么问题,有什么优缺点。1、Alexnet网络，本网络是2012年的分类冠军，掀起来深度学习的热潮，Alexnet参数量巨大，由于受限于硬件计算，作者采用了group 卷积，将特征图分别放入不同gpu进行运算，最后融合，但是此网络存在一个问题，不同特征图分别计算然后融合，如此卷积核只与某一部分的特征图进行卷积，这样卷积核获得的特征
转载
2024-04-29 12:52:22
85阅读
1. 简介近年来，卷积神经网络（CNN）在深度学习领域中发挥了重要作用。事实证明，CNN的变体在跨不同领域的分类任务中非常成功。但是，CNN的主要缺点有两个：无法考虑要素之间的重要空间层次结构以及缺乏旋转不变性[1]。只要在测试数据中存在某个对象的某些关键特征，CNN便会将测试数据归类为该对象，而无需考虑特征之间的相对空间方向。这会导致误报。 CNN缺乏旋转不变性，将导致网络错误地为对
转载
2024-04-02 21:29:55
369阅读
