SIFT(Scale-Invariant Feature Transform)尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe在1999年所发表，2004年完善总结。在CNN用来图像特征提取之前，SIFT算是
来源：机器之心报道什么是 CNN？Convolutional Neural Network，中文译为「卷积神经网络」。这个常见但有些深奥的词汇，只可意会，不能言传。如果打开教材，会看到这样一些解释：卷积层是深度神经网络在处理图像时十分常用的一种层。当一个深度神经网络以卷积层为主体时，我们也称之为卷积神经网络。神经网络中的卷积层就是用卷积运算对原始图像或者上一层的特征进行变换的层……说得很有道理，但
使用maven开发的模块化应用，可以发布出去供他人使用，比如各种开源库，使用时，要么是继承，要么是以依赖的形式引入。但我们看各种库的pom.xml文件，通常都比较简单，一般只有一些必要的依赖信息，作为开发者，通常认为使用者也就需要这些信息。但是真正开发时，对应模块的pom可能比较复杂，可能要使用各种插件，引用各种依赖，组件间有继承关系，甚至根据不同的参数走不同的分支，即使用profile机制等，m
Convolutional Neural Network（P17）Why CNN for Image？当我们直接用一般的fully connected的feedforward network来做图像处理的时候，往往会需要太多的参数CNN做的事情其实是，来简化这个neural network的架构，我们根据自己的知识和对图像处理的理解，一开始就把某些实际上用不到的参数给过滤掉虽然CNN看起来，它的运
转载
2024-03-28 17:05:16
42阅读
分解一张图片 CNN 的第一步是把图片分成小块。我们通过选取一个给定宽度和高度的滤波器来实现这一步。 滤波器会照在图片的小块 patch （图像区块）上。这些 patch 的大小与滤波器一样大。 如之前视频所示，CNN用滤波器来把图片分割成更小的 patch，patch 的大小跟滤波器大小相同。 我们可以在水平方向，或者竖直方向滑动滤波器对图片的
1. 前言 下载AR人脸数据库，用Caffe-face中的face_example中的模型去学习，用一体机CPU方式，感觉没多久就死机了似的。觉得前一段时间急于得到成效，中间看到的很多东西都没消化。现在重新梳理一下。 2. CNN网络的数学公式 本部分内容主要参考了CNN卷积层和池化层博文内容，先把公式记录在这，将来再补充对公式的理解。2.1 前向计算 卷积层：Xlj=f(∑i∈MjXl−1i∗
转载
2024-08-08 12:06:01
119阅读
self-attention简介什么是self-attention? self-attention顾名思义，就是自注意力机制，简单理解，就是将输入乘以一个矩阵（attention mask),获得输出的过程。那么这个attention mask怎么获得呢？attention mask也是根据输入本身得到的，1.可以通过对输入进行神经网络变换得到；2。大部分通过点积的方式（矩阵相乘，即经典的q,k,
转载
2024-04-03 07:20:35
110阅读
1.用途：message_filter 是roscpp和rospy的实用程序库。 它集合了许多的常用的消息“过滤”算法。顾名思义，该类的作用就是消息过滤，当消息到达过滤器的时候，可能并不会立即输出，而是在稍后的时间点里满足一定条件下输出。2.过滤模式：为了提供统一的接口与输出，message_filters中所有的消息过滤器都遵循着相同的模式连接输入和输出。 输入是通过过滤器构造函数或者
转载
2024-07-23 15:55:19
65阅读
本文提出了一种叫做SAN(Selective Adversarial Networks)的网络来解决partial transfer learning的问题，这个网络是DaNN网络的基础上做的改良，前文提及DaNN网络在面对partial transfer learning问题时会面临负迁移的问题，该网络做的就是将每一类源域样本均进行分析，通过使既在源域又在目标域中的类别权重变大，只在源域不在目
【提问】在batch size为1时，使用数据并行和模型并行哪个更合理？ 【解答】`在batch size为1时，使用模型并行比数据并行更合理。模型并行允许将模型的不同部分分配到不同的设备上，并在每个设备上处理不同的部分。因此，即使batch size为1，仍然可以利用多个设备来处理模型。相比之下，数据并行将输入数据分割到不同的设备上进行处理，每个设备只处理一部分数据，因此对于batch size
mixChannels()函数的理解mixChannels()是图像通道处理有关的一个函数，能够实现复杂通道的组合 文章目录mixChannels()函数的理解1. 函数原型1.1 函数原型（一）1.2 函数原型（二）2. 举例说明2.1 颜色通道交换2.2 四通道矩阵分割参考文献 1. 函数原型1.1 函数原型（一）void cv::mixChannels (
InputArrayOfArr
Flatten 是指将多维的矩阵拉开，变成一维向量来表示
原创
2023-05-18 17:18:33
119阅读
怎么根据cnn网络的参数和输入图片大小，计算一个cnn网络的输出呢，下面来说明一下 现在做如下假设n：表示图像尺寸，比如图像尺寸为n*n*3f：表示卷积核尺寸，比如卷积核尺寸为f*f，可以用filter表示卷积核s：表示步进，卷积核一次移动多少个像素p：表示填充数目，表示一边填充p列像素，2p表示左右各填充p列像素，同样，在行上表示一边填充p行像素，2p表示上下各填充p行像素 于是我们就可以得到如
转载
2024-03-27 12:50:35
127阅读
一、基础知识1.1卷积神经网络(CNN)CNN新出现了卷积层(Convolution层)和池化层(Pooling层), 这两种不同类型的层通常是交替的, 最后通常由一个或多个全连接层组成卷积网络的核心思想是将：局部感受野、权值共享（或者权值复制）以及时间或空间亚采样(池化)这三种结构思想结合起来获得了某种程度的位移、尺度、形变不变性.诺贝尔奖获得者神经生理学家Hubel和Wie-sel早在1960
转载
2024-04-18 11:00:25
162阅读
坚持！
转载
2021-06-24 13:47:15
1875阅读
我是 雪天鱼，一名FPGA爱好者，研究方向是FPGA架构探索和数字IC设计。一、简介单从字面上看，卷积神经网络这个词听起来就像是生物学和数学的诡异组合，里面可能还掺了一点计算机科学的意味，但这种神经网络一直在为计算机视觉领域默默贡献着最具影响力的创新。2012年是神经网络蓬勃发展的第一年，Alex Krizhevsky利用它们在当年的ImageNet竞赛中赢得了胜利，把分类错误率从原来的26%降低
转载
2024-06-17 04:54:44
64阅读
4、模型设计1、生成器论文中生成器的结构如图：生成器将潜在向量z（白噪声）转换为特定大小的图片数据，转换由一系列逆卷积操作完成，最后通过tanh函数转换成模型需要的[-1, 1]数值范围的张量。超参数的选择严格按照论文给出，值得注意的是，每一个逆卷积层后都有一个批量标准化层BN，这是DCGAN论文的关键贡献，BN层有助于解决反向转播时梯度消失或爆炸的问题。对应于DCGAN，我们的设置如下： 除了从
转载
2024-01-05 21:12:19
65阅读
文 |AI_study欢迎回到这个关于神经网络编程的系列。在这篇文章中，我们将可视化一个单一灰度图像的张量flatten 操作，我们将展示如何flatten 特定的张量轴，这是CNNs经常需要的，因为我们处理的是批量输入而不是单个输入。张量的flatten张量flatten操作是卷积神经网络中的一种常见操作。这是因为传递给全连接层的卷积层的输出必须在全连接层接受输入之前进行flatten。在以前的
原创
2022-07-28 01:18:08
1180阅读
# PyTorch中的Flatten操作
在深度学习模型中，“Flatten”操作非常常见，尤其是在处理卷积神经网络（CNN）时。当我们使用卷积层提取特征后，最后一步通常是将这些特征转换为一维向量，以便输入到全连接层进行分类或回归任务。本文将深入探讨PyTorch中的Flatten操作，并通过实例进行说明。
## 什么是Flatten？
Flatten是将多维张量（通常为图像数据）转换为一维
Attention1 解决了什么问题？我们在编码（如使用 LSTM/RNN 等）的时候，通常是使用最后一个隐藏层的输出最为最终的编码。这样做的话，一旦输入序列很长，更早期的输入信息可能不能被很好的记录。另外，就算是将 Encoder 中的每个隐藏层的输出全部都输入给 Decoder，也存在问题。因为两种语言之间单词之间的位置可能没有一一对应的关系，比如中文的 ‘我是一个学生’ 是5个词翻译成英文之
转载
2024-02-19 20:40:55
136阅读
