1 CNN基本结构 主要针对DNN存在的参数数量膨胀问题，对于CNN，并不是所有的上下层神经元都能直接相连，而是通过“卷积核”作为中介（部分连接）。同一个卷积核在多有图像内是共享的，图像通过卷积操作仍能保留原先的位置关系。CNN之所以适合图像识别，正是因为CNN模型限制参数个数并挖掘局部结构的这个特点。 卷积神经网络的基本结构大致包括：卷积层、激活函数、池化层、全连接层、输出层等。1.1 卷积层二
转载
2024-10-11 14:17:31
125阅读
检测蛋白检测方法克隆号用药依据获益药物PD-L1蛋白表达水平免疫组织化学(IHC)SP263PD-L1阳性肿瘤细胞占比Nivolumab Pembrolizumab Atezolizumab Avelumab Durvalumab 在2019年NCCN指南中明确提出对于无明确驱动基因突变的初诊的晚期NSCLC肺
CNN基础知识储备：（一）卷积计算 通过这部分的学习，将会清楚卷积是如何计算的。 举个例子，现有一张6×6的灰度图像（灰度图像代表6×6×1的矩阵，RGB图片则是6×6×3，因为它有红绿蓝3个维度），比如 为了检测图像中的垂直边缘，可以构造一个3×3矩阵。在卷积神经网络的术语中，它被称为过滤器，又叫核，比如 最后将该矩阵每个元素相加得到最左上角的元素，即 3 + 1 + 2 + 0 + 0
文章目录前言文献阅读CNN变体模型工程项目总结 前言This week, I mainly read an article that describes the author’s design of an deep learning framework to predict air quality. In addition, I learne CNN’s variant models, main
转载
2024-10-21 13:21:27
60阅读
重磅干货，第一时间送达概述深度学习中CNN网络是核心，对CNN网络来说卷积层与池化层的计算至关重要，不同的步长、填充方式、卷积核大小、池化层策略等都会对最终输出模型与参数、计算复杂度产生重要影响，本文将从卷积层与池化层计算这些相关参数出发，演示一下不同步长、填充方式、卷积核大小计算结果差异。一：卷积层卷积神经网络(CNN)第一次提出是在1997年，杨乐春（LeNet）大神的一篇关于数字OCR识别的
转载
2024-04-02 16:13:30
214阅读
从NIN 到Googlenet mrsa net 都是用了这个，为什么呢
发现很多网络使用了1X1卷积核，这能起到什么作用呢？另外我一直觉得，1X1卷积核就是对输入的一个比例缩放，因为1X1卷积核只有一个参数，这个核在输入上滑动，就相当于给输入数据乘以一个系数。不知道我理解的是否正确。
我来说说我的理解，我认为1×1的卷积大概有两个方面的作用吧：
1. 实现跨通道的
文章目录LeNet（1998）AlexNet（2012）VGG（2014）GoogLeNet（2014） LeNet（1998）论文：Gradient-based learning applied to document recognition结构：LayerDescriptionoutSizeparamsinput32 x 32 x 11Conv 5x5 s1,66, 28 x 281562P
转载
2024-09-22 11:37:09
124阅读
图像识别中遇到的问题可能有图片特征的纬度过高，1000*1000像素的图片，特征维度是1000*1000*3，如果你要输入3百万的数据量就意味着特征向量的维度高达三百万，也许有1000个隐藏单元，而所有的权值组成的矩阵W[1]，如果使用标准的全连接网络，这个矩阵的大小将是1000*3百万，也就是30亿个参数。带来的问题：巨大的内存需求+很容易会过拟合，除非你可以提供非常多的样本数据。为了能处理大图
转载
2024-09-05 15:53:37
48阅读
什么是ARIMA？ARIMA是'Auto Regressive Integrated Moving Average'的简称。ARIMA是一种基于时间序列历史值和历史值上的预测误差来对当前做预测的模型。ARIMA整合了自回归项AR和滑动平均项MA。ARIMA可以建模任何存在一定规律的非季节性时间序列。如果时间序列具有季节性，则需要使用SARIMA(Seasonal ARIMA)建模，后续会介绍。AR
转载
2024-09-19 13:12:02
55阅读
【首先】：大家应该要了解卷积神经网络的连接方式，卷积核的维度，反向传播时是如何灵活的插入一层；这里我推荐一份资料，真是写的非常清晰，就是MatConvet的用户手册，这个框架底层借用的是caffe的算法，所以他们的数据结构，网络层的连接方式都是一样的；建议读者看看，很快的； 下载链接：点击打开链接 【前面5层】：作者RPN网络前面的5层借用的是ZF网络，这个网络的结构图我截个图放在下面，并分析下
转载
2024-08-22 11:42:04
125阅读
首先介绍一下我们的数据集，可以在我的 github 下载该数据集是一个污染数据集，我们需要用该多维时间序列去预测pollution这个维度构建训练数据首先我们删去数据中date,wnd_dir维(注:为了演示方便故不使用wnd_dir，其实可以通过代码将其转换为数字序列)data = pd.read_csv("./pollution.csv")
data = data.drop
转载
2024-09-11 10:18:10
167阅读
介绍AlexNet是LeNet的一种更深更宽的版本。首次在CNN中应用ReLU、Dropout和LRN，GPU进行运算加速。一共有13层，有8个需要训练参数的层（不包括池化层和LRN层），前5层是卷积层，后三层是全连接层。最后一层是有1000个类输出的softmax层用作分类。前言截取224*224，实际上又扩充了一个边界，成为227*227，论文里面224*224是有问题的 局部响应归
转载
2024-05-13 10:26:20
55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
1.卷积神经网络CNN1.1卷积神经网络的概念CNN（Convolutional Neural Networks, ConvNets, 卷积神经网络）是神经网络的一种，是理解图像内容的最佳学习算法之一，并且在图像分割、分类、检测和检索相关任务中表现出色。 卷积是数学分析中的一种积分变换的方法，在图像处理中采用的是卷积的离散形式。对于图像操作来说，使用互相关运算作为卷积的基础计算方式。 具体可以参考
转载
2024-09-21 11:16:03
88阅读
feature map可视化 取网络的前15层，每层取前3个feature map。 北汽绅宝D50 feature map： 从左往右看，可以看到整个特征提取的过程，有的分离背景、有的提取轮廓，有的提取色差，但也能发现10、11层中间两个feature map是纯色的，可能这一层feature map数有点多了，另外北汽绅宝D50的光晕对feature map中光晕的影响也
转载
2024-06-20 09:48:38
243阅读
一、Topic：数据处理这次我们来一段NCNN应用代码中，除了推理外最重要的一部分代码，数据处理：ncnn::Mat in = ncnn::Mat::from_pixels_resize(bgr.data, ncnn::Mat::PIXEL_BGR, bgr.cols, bgr.rows, 227, 227);
const float mean_vals[3] = {104.f, 117
转载
2024-10-01 21:39:04
88阅读
前言我们知道，R-CNN存在着以下几个问题：分步骤进行，过程繁琐。Selective Search生成候选区域region proposal->fine tune预训练网络->针对每个类别都训练一个SVM分类器->用regressors对bounding-box进行回归。时间和内存消耗比较大。在训练SVM和回归的时候需要用CNN网络训练的特征作为输入，特征保存在磁盘
转载
2024-09-27 14:33:44
122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
119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
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
