Google Inception netInception V1 特点Inception V1 结构Inception V2Inception V3结构modulesInception V4code: Inception V3 Google Inception netinception 的特点是在控制计算量和参数量的同时，分类的性能很好。共有22层（AlexNet 8层，VGGNet 19层）；
转载
2024-03-25 20:09:15
64阅读
Introduction特征融合的方法很多.如果数学化地表示，大体可以分为以下几种：: 、表示两个特征图，表示元素级相加. 代表如ResNet、FPN .表示张量 拼接操作。 代表如GoogleNet、U-Net. 是注意力函数。这里表示自注意力机制。代表如SENet、 CBAM、Non-local. 同样是将注意力机制作用在一个特征图上，而权重信息来源于对方。代表如GAU. 软注意力机制的一种，
转载
2024-05-15 14:19:46
155阅读
由于图结构非常复杂且信息量很大，因此对于图的机器学习是一项艰巨的任务。本文介绍了如何使用图卷积网络（GCN）对图进行深度学习，GCN 是一种可直接作用于图并利用其结构信息的强大神经网络。 本文将介绍 GCN，并使用代码示例说明信息是如何通过 GCN 的隐藏层传播的。读者将看到 GCN 如何聚合来自前一层的信息，以及这种机制如何生成图中节点的有用特征表征。 何为图卷积网络？&nb
A Multi-Modal, Discriminative and Spatially Invariant CNN for RGB-D Object Labeling（IEEE transactions on pattern analysis and machine intelligence, citation:19）前言虽然深度卷积神经网络在图像分类方面取得了显著的成功，但是类间相似性、类内方差
转载
2024-07-16 08:02:10
178阅读
卷积网络循环网络结合-CNN+RNN卷积网络循环网络结合-CNN+RNN1. CNN+RNN 相同点都是传统神经网络的扩展；前向计算产生结果，反向计算进行模型的更新；每层神经网络横向可以多个神经元共存，纵向可以有多层神经网络连接。不同点CNN进行空间扩展，神经元与特征卷积；RNN进行时间扩展，神经元与多个时间输出计算；RNN可以用于描述时间上连续状态的输出，有记忆功能；CNN
转载
2024-08-08 11:34:15
167阅读
冗余梯度信息问题会导致低效优化和昂贵的推理计算。因此，提出利用跨阶段特征融合策略和截断梯度流来增强不同层内学习特征的可变性。此外，结合 Maxout 操作的 EFM 来压缩从特征金字塔生成的特征图，这大大减少了所需的内存带宽，因此推理效率足以与边缘计算设备兼容。本文基于DenseNet，引入了两个模块 Partial Dense Layer 和 Partial Transition Layer。部
转载
2024-05-30 09:50:54
68阅读
小结concat是通道数叠加，描述图像本身的特征增加了，而每一特征下的信息是没有增加。add为简单的像素叠加，通道不变；add后描述图像的特征下的信息量增多了，但是描述图像的维度本身并没有增加，只是每一维下的信息量在增加，这显然是对最终的图像的分类是有益的。特征add的时候就是增加特征的信息量，特征concat的时候就是增加特征的数量，注重细节的时候使用add，注重特征数量的时候使用concat。
转载
2024-09-15 18:47:09
105阅读
开源大数据技术是一种新一代技术和构架，它以成本较低、以快速的采集、处理和分析技术，从各种超大规模的数据中提取价值。大数据技术不断涌现和发展，让我们处理海量数据更加容易、更加便宜和迅速，成为分析和挖掘海量数据价值的一个利器，甚至可以改变许多行业的商业模式。 庞大的开源大数据技术体系，使得大数据平台在实施和使用的过程中遇到很多难点，Think Big团队总结了在开源大数据平台设施的整个过程及花费的
转载
2024-01-19 22:43:13
107阅读
一、卷积神经网络 – CNN，最擅长的就是图片的处理，它受到人类视觉神经系统的启发。目前 CNN 已经得到了广泛的应用，比如：人脸识别、自动驾驶、美图秀秀、安防等很多领域。在 CNN 出现之前，图像对于人工智能来说是一个难题，有2个原因：图像需要处理的数据量太大，导致成本很高，效率很低图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高而CNN的出现解决了上述问题，即 「将复杂问题简化
转载
2024-04-29 11:49:42
51阅读
卷积神经网络（CNN）高级——GoogLeNet超参数：卷积核的大小就是一个超参数信息融合：举个例子，就是没门科目的分数*权重1，然后再Σ科目*权重1，即总分，这就是信息融合；说白了就是多个Channel的卷积加起来最后的那个值，就是信息融合3. 1*1卷积核：最主要的作用是改变通道数，从而减少运算数量（以下图为例：输入的Channel如果是3的话，那么1*1卷积核的Channel也得是3，但是最
转载
2024-04-07 12:44:52
207阅读
由于需要整合两份不同的数据，所以需要使用数据合并的方法。在这之前，一直使用R来对数据框进行操作，而如今正好想学一学Python，更深入地了解pandas库的使用，所以尝试使用pandas来进行数据合并。在上网查阅相关资料之后，其实使用pandas进行数据合并还是非常简单的，但是实际操作之后其实感觉没有R用的顺手，可能是由于先接触的R，然后再接触的Python的缘故。首先如果要使用pandas库中的
转载
2023-10-11 11:58:23
131阅读
原文太长，简要摘记学习一下。城市数据的获取，获取方式主要有两种：● 第一种，以传统传感器为感知的方法● 第二种，以人为中心的感知方法第一个，以传统传感器的感知方法进一步可以分成两个子类，要么把传感器放在一些固定的地方，要么把传感器装在一些移动的物体上面，比如说在公交车、出租车上装传感器，但是不管哪一种，一旦装完之后人就不参与了，这个数据自动传到我们后台。另外一个，以人为中心
论文提出用于特征金字塔的高效特征交互方法FPT，包含3种精心设计的特征增强操作，分别用于借鉴层内特征进行增强、借鉴高层特征进行增强以及借鉴低层特征进行增强，FPT的输出维度与输入一致，能够自由嵌入到各种包含特征金字塔的检测算法中，从实验结果来看，效果不错论文: Feature Pyramid Transformer 论文地址：https://arxiv.org/abs/2007.09451论文代
如果那一天会来到，要分享的点可能有下面的，东西。1、尺度不变是什么。这个前文有了2、lowe在2004年的论文说了什么，程序复现。找到这个东西 是这个东西，解决了尺度上的问题，也就是原文说的。3、lowe（ Received July 28, 2005; Accepted August 3, 2006 ）全景图像拼接链接：然后在 后来 全景图像的拼接：http://www.do
基于SIFT特征的图像拼接融合（matlab+vlfeat实现）piccolo，之前做的东西，简单整理下，不是做图像方向的，写的不好轻喷 主要原理参看SIFT算法详解和SIFT特征匹配算法介绍——寻找图像特征点的原理相应源码在基于SIFT特征的图像拼接融合（matlab+vlfeat实现）下面简单说下：SIFT算子特点主要思想：一种基于图像梯度分布的特征描述子。 特点：具备尺度不变性，抗干扰性好。
数据融合（data fusion）原理与方法一. 数据融合基本涵义数据融合（data fusion）最早被应用于军事领域。 现在数据融合的主要应用领域有：多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别等等。在遥感中，数据融合属于一种属性融合，它是将同一地区的多源遥感影像数据加以智能化合成，产生比单一信息源更精确、更完全、更可靠的估计和判断。相对
转载
2024-08-18 10:05:21
364阅读
论文链接：https://arxiv.org/abs/2103.14858 代码链接：https://github.com/ding3820/MIMO-VRN编者言： 本文以视频缩放任务为切入点，将IRN视频超分话化。与normal的VSR不同点在于将降采样也加入学习任务，这或许是后VSR时代一个不错的研究方向。
看点
最近的大多数研究都集中在基于图像的上下采样联合优化方案上，这些方案
SVM简介
Support Vector Machine (SVM) 是一个监督学习算法，既可以用于分类（主要）也可以用于回归问题。SVM算法中，我们将数据绘制在n维空间中（n代表数据的特征数），然后查找可以将数据分成两类的超平面。支持向量指的是观察的样本在n为空间中的坐标，SVM是将样本分成两类的最佳超平面。
KNN算法是物以类聚，人以群分，身
继往开来之DenseNetDenseNet最大化了这种前后层信息交流，通过建立前面所有层与后面层的密集连接，实现了特征在通道维度上的复用，使其可以在参数与计算量更少的情况下实现比ResNet更优的性能，图1网络由多个DenseBlock与中间的卷积池化组成，核心就在Dense Block中。Dense Block中的黑点代表一个卷积层，其中的多条黑线代表数据的流动，每一层的输入由前面的所有卷积层的
转载
2024-09-02 22:46:01
56阅读
【读论文】RFN-Nest: An end-to-end residual fusion network for infrared and visible images介绍关键词简单介绍网络结构RFN 融合网络编码器解码器训练训练自动编码器网络损失函数训练RFN损失函数实验个人总结参考 论文：https://arxiv.org/abs/2103.04286 代码：https://github.c
