摘要卷积神经网络（CNN）通常被认为通过学习对象形状的日益复杂的表示来识别对象。最近的一些研究表明图像纹理具有更重要的作用。我们在这里通过评估具有纹理-形状线索冲突的图像的CNN和人类观察者来将这些相互矛盾的假设置于定量测试中。我们表明，ImageNet训练的CNN强烈偏向于识别纹理而不是形状，这与人类行为证据形成鲜明对比，并揭示了根本不同的分类策略。然后，我们证明在ImageNet上学习基于纹理
图（Graph）图（graph），也称网络（Network）。图这种数据结构是很具有代表性的，现代社会人们构建了大量的网络系统, 如计算机网络、物联网、通信网络、交通网络、电力网络、商业和金融网络以及社会关系网络等，所以图的结构是无处不在的。。这些网络不但节点和连线数量众多、结构复杂, 而且其拓扑和属性也会随时间发生变化。随着越来越多的结构化和半结构化的数据变得可用，能够挖掘特征的机器学习的方法变
转载
2024-07-19 16:05:38
6阅读
文章目录对FCN网络的理解1.对FCN的简要介绍2.FCN与CNN的比较3.FCN的原理4.FCN模型的实现过程5.FCN的简要总结FCN论文地址及源码地址 对FCN网络的理解1.对FCN的简要介绍自从卷积神经网络（CNN）被提出后，在图像检测，图像分类的方面取得了很大的突破，并被广泛应用。CNN的优点在于它可以自动学习到多层次的特征。CNN层层递进，从较浅的卷积层到较深的卷积层，卷积层的感知域
转载
2024-03-21 14:58:31
84阅读
在上一篇文章中，介绍了 卷积神经网络（CNN）的算法原理，CNN在图像识别中有着强大、广泛的应用，但有一些场景用CNN却无法得到有效地解决，例如：语音识别，要按顺序处理每一帧的声音信息，有些结果需要根据上下文进行识别；自然语言处理，要依次读取各个单词，识别某段文字的语义这些场景都有一个特点，就是都与时间序列有关，且输入的序列数据长度是不固定的。而经典的人工神经网络
文章目录实训目的实训原理MSTAR数据集CNN（卷积神经网络）LSTM（长短时记忆网络）CNN+LSTM实训操作步骤数据预处理网络模型构建CNNCNN+LSTM实训原始数据及处理结果CNN的准确率、召回率、精准率以及分类报告CNN+LSTM的准确率、召回率、精准率以及分类报告实训误差分析CNNCNN+LSTM思考题 实训目的本次实训的主要目的是通过基于CNN（卷积神经网络）和LSTM（长短时记忆
转载
2024-08-08 22:11:43
49阅读
前面时间因为一些事没更新，国庆节本猿终于有时间闲下来写点文章了。下面就是正文：经图像信息输入系统获取的原图像中通常都含有各种各样的噪声和畸变，大大影响了图像的质量。因此，在对图像进行分析之前，必须先对图像质量进行改善。通常，采用图像增强的方法对图像质量进行改善。图像增强不会考虑引起图像质量下降的原因，而是将图像中感兴趣的特征有选择地突出，并衰减不需要的特征。图像增强的目的是为了改善图像的视觉效果，
转载
2024-08-01 16:51:28
50阅读
目录1.GAN是什么？2.GAN的计算3.编写GAN的小小示例4.GAN的发展与应用 5.AI作画体验-Disco Diffusion1.GAN是什么？2014年，因为朋友邀请协助一个计算机生成图像的项目，lanGooddellow发明了GAN（Generative adversarial network），被广泛用于图像生成！GAN翻译过来，就是生成对抗网络了，它确实“人”如其名，正是
魏老师学生——Cecil：学习卷积神经网络CNN之旅 数据增强（Data augmentation）数据增强的方法样本不均衡训练和测试安排协调梯度下降（Gradient descent）—常用的CNN模型参数求解法批量梯度下降 BGD小批量梯度下降 MBGD随机梯度下降 SGD 数据增强（Data augmentation）增加训练数据可提升算法准确率。 理由：避免过拟合从而增大网络结构。对于有
转载
2024-03-29 12:12:35
102阅读
神经网络（CNN）神经网络主要有三个部分组成, 分别为:网络结构 —— 描述神经元的层次与连接神经元的结构.激活函数(激励函数) —— 用于加入非线性的因素, 解决线性模型所不能解决的问题.参数学习方法的选择(一般为权重值W和偏置项b)一、CNN领域划分图像处理领域
图像识别图像标注图像主题生成图像内容生成…视频处理领域
视频分类视频标准视频预测…自然语言处理（NLP）领域
对话
转载
2024-05-04 18:17:35
102阅读
1 非监督语音增强技术2 监督语音增强技术3 github上提供的源代码及分析3.1 Dual-signal Transformation LSTM Network简介https://github.com/breizhn/DTLN用于实时噪声抑制的堆叠双信号变换 LSTM 网络 (DTLN) 的 Tensorflow 2.x 实现。这个存储库提供了在 python 中训练、推断和服务 DTLN 模
转载
2024-08-27 09:36:00
147阅读
在TensorFlow中提供了一些图像增强的方法，比如放缩、裁剪、翻转、改变光照和对比度等。 下面分别对这几种方法进行介绍： 首先显示原图像，代码如下：import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from matplotlib.pyplot import imshow
name = './0
在ENVI 5.2中，新增了NNDiffuse融合方法，经过测试我们发现，当背景黑色较多时，融合效果较差。如下图情况，左图为原始多光谱，右图为NNDiffuse融合结果，可以看到颜色相差较大。注：测试数据传感器为Worldview-3。多光谱为2米分辨率，4个波段；全色0.5米分辨率。图：原始多光谱与融合结果对比现在提供两种提升融合效果的方法：方法1：使用掩膜文件注：此方法仅适用于ENVI 5.3
AlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生Alex Krizhevsky设计的。也是在那年之后，更多的更深的神经网络被提出，比如优秀的vgg，GoogLeNet。虽然时隔多年，但AlexNet经典依旧，本文就简单回顾一下AlexNet的网络结构。一、AlexNet网络结构由于当时硬件资源的限制，Hinton使用了两块GPU对AlexNet训练，即把输入数据均分成
转载
2024-05-12 16:01:04
81阅读
前言 在学计算机视觉的这段时间里整理了不少的笔记，想着就把这些笔记再重新整理出来，然后写成Blog和大家一起分享。目前的计划如下（以下网络全部使用Pytorch搭建）：专题一：计算机视觉基础介绍CNN网络(计算机视觉的基础)浅谈VGG网络，介绍ResNet网络（网络特点是越来越深）介绍GoogLeNet网络（网络特点是越来越宽）介绍DenseNet网络（一个看似十分NB但是却实际上用得不多的网络
转载
2024-05-22 08:55:09
76阅读
目录一. mixup1. mixup方法 2. mixup的讨论2.1 mixup效果如何2.2 为什么使用Beta分布2.3 参数有何影响，如何选择2.4 是否可以使用多个样本混合2.5 为什么要使用凸组合二. mixup的改进1.多种改进方法简介1.1 cutMix1.2 manifold mixup1.3 patchUp1.4 puzzleMix1.5 saliency Mix1.
转载
2024-03-23 09:27:15
1364阅读
上世纪科学家们发现了几个视觉神经特点，视神经具有局部感受野，一整张图的识别由多个局部识别点构成；不同神经元对不同形状有识别能力，且视神经具有叠加能力，高层复杂的图案可以由低层简单线条组成。之后人们发现经过conclusional的操作，可以很好反映视神经处理计算的过程，典型的是1998年LeCun发明的LeNet-5，可以极大地提升识别效果。本文主要就convolutional layer、poo
转载
2024-08-08 12:09:24
144阅读
上面这幅黑乎乎的图就是我们今天要处理的图片，这是书的一页，但特别特别黑，对于这种因为阴影而导致的细节缺失，我们就可以尝试对其进行图像增强了。图像增强真的有不少内容，范围也很广泛，今天就只针对这个例子进行实践了。本文代码都是成块儿的，大家可以复制自行组合。整体框架搭建首先就先写个框架啦，读取图片显示图片啥的：#include <iostream>
#include <opencv2
转载
2024-04-23 16:58:14
302阅读
简介 图1：论文原文 上一篇博文简要介绍了文本检测领域较为经典的一篇文章，。本文将继续介绍文本识别领域较为经典的一项工作，。一般来说，在自然场景中进行文字识别主要包括以下步骤：文字检测，即找到图像中文字的大致范围，如上文CTPN的检测结果；文字识别，对定位好的文字区域进行识别，输出文字的具体内容。一般情况下，二者都是基于+的基本结构。而本文介绍的是一种能够以端到端的方式训练的模型，且可以识别任意长
转载
2024-03-27 16:33:16
33阅读
一、简介 之前介绍了生成式对抗网络(GAN)，关于GAN的变种比较多，我打算将几种常见的GAN做一个总结，也算是激励自己学习，分享自己的一些看法和见解。 之前提到的GAN是最基本的模型，我们的输入是随机噪声，输出的是对应的图像，但是我们没法控制生成图像的类型。比如，我要生成一张数字
转载
2024-07-15 06:03:38
59阅读
文章目录一、RNN的理论部分1.1 Why Recurrent Neural Network1.2 RNN 的工作原理解析1.2.1 数据的定义部分1.2.2 RNN 的具体运算过程1.2.3 几种不同类型的 RNN二、基于Pytorch的RNN实践部分2.1 在Pytorch里面对 RNN 输入参数的认识2.2 nn.RNN 里面的 forward 方法：Example：利用RNN进时间序列的
转载
2024-04-09 13:58:59
101阅读
