1 空洞卷积1.1 理解空洞卷积在图像分割领域，图像输入到CNN（典型的网络比如FCN）中，FCN先像传统的CNN那样对图像做卷积再pooling，降低图像尺寸的同时增大感受野，但是由于图像分割预测是pixel-wise的输出，所以要将pooling后较小的图像尺寸upsampling到原始的图像尺寸进行预测，之前的pooling操作使得每个pixel预测都能看到较大感受野信息。因此图像分
转载
2019-11-30 23:46:00
204阅读
2评论
Deformable conv赋予了CNN位置变换的能力，与普通卷积的对比如下。可以看到，在每个特征点上，会产生一个偏移，变成 不规则的卷积（感觉本质上，就是让CNN自己去学习感受野）。 思想于STN（Spatial Transform Network），但它们有着巨大的差别： STN得到的是全
原创
2022-01-17 16:36:45
174阅读
CONTENTSConvolutional networks ( LeCun , 1989 ), also known
原创
2021-08-10 14:07:32
117阅读
CONTENTSVariants of the Basic Con
原创
2022-01-11 10:00:36
43阅读
CONTENTSRandom or Unsupervised FeaturesTypically, the most e
原创
2021-08-10 14:06:51
183阅读
CONTENTSVariants of the Basic Convolution FunctionWhen discussing co
原创
2021-08-10 14:07:12
175阅读
我自己写的代码和该教程略有不一样，有三处改动，第一个地方是用归一化(均值为0，方差为1)代替数值缩放([0, 1])，代替的理由是能提升准确率 第二处改动是添加了正则化，在Conv2D和Dense Layer中均有添加，可以抑制模型过拟合，提升val_acc 第三处改动是对模型训练五次进行acc取平 ...
转载
2021-08-01 18:31:00
119阅读
2评论
数学基础
卷积
卷积这一概念从最原始来说属于一种数学的运算方法，两个数列进行卷积，是指将一个数列翻转后，从另一个数列最左侧开始滑动求和
来到计算机科学中，由于卷积核往往采用对称矩阵，所以翻转这一动作实际就可以忽略掉了。通过卷积核中数据的不同排列，实现提取出输入图片中的特定特征。
训练 + 预测
目前理解的是，预测仅需要实现正向传播那一堆层，得到预测概率
训练需要在实现正向传播基础上，得到预测概率后
原创
2023-10-18 19:49:48
303阅读
Andrew Ng deeplearning courese 4:Convolutional Neural Network "Convolutional Neural Networks: Step by Step" "Convolutional Neural Networks: Applicatio
转载
2017-11-21 11:58:00
184阅读
2评论
《Visualizing and Understanding Con
原创
2023-06-27 22:47:13
240阅读
Andrew Ng deeplearning courese 4:Convolutional Neural Network "Convolutional Neural Networks: Step by Step" "Convolutional Neural Networks: Applicatio
转载
2017-11-20 21:35:00
218阅读
-----------------------------
原创
2023-06-27 22:56:16
182阅读
传统的跟踪方法依赖低维的人工特征，但这种特征对目标的外观变化等问题不够鲁棒。 与此相比，CNN从大量的数据中能够学到高级的信息，有较强的分类能力，这些特征有较好的泛化能力。 如
原创
2022-01-17 17:56:53
88阅读
1. 摘要 作者提出了一个简单但有效的注意力模块 CBAM，给定一个中间特征图，我们沿着空间和通道两个维度依次推断出注意力权重，然后与原特征图相乘来对特征进行自适应调整。 由于 CBAM 是一个轻量级的通用模块，它可以无缝地集成到任何 CNN 架构中，额外开销忽略不计，并且可以与基本 CNN 一起进
原创
2021-06-10 15:00:54
446阅读
1. 摘要 传统的 L 层神经网络只有 L 个连接，DenseNet 的结构则有 L(L+1)/2 个连接，每一层都和前面的所有层进行连接，所以称之为密集连接的网络。 针对每一层网络，其前面所有层的特征图被当作它的输入，这一层的输出则作为其后面所有层的输入。 DenseNet 有许多优点：消除了梯度
原创
2021-06-10 15:04:56
699阅读
