一 继往开来提出Batch Normalization 加速训练（丢弃dropout）:将一批数据的feature map转化为满足均值=0，方差=1的分布提出了残差网络块（Residual）：人为地让神经网络某些层跳过下一层神经元的连接，隔层相连，弱化每层之间的强联系。在这之前，神经网络都是由卷积层+池化层堆叠而成。而且我们认为这种堆叠深度越深，抽取的图像特征越高级，效果也会最佳。
实际上，随
转载
2024-04-28 12:57:17
449阅读
卷积四分类项目Gitee传送门分类目标选取鲜花杏花 apricot_blossom桃花 peach_blossom梨花 pear_blossom梅花 plum_blossom模型选择卷积LeNet5VGG16ResNet18ResNet34以图搜图获取相似度前10的搜图结果数据清洗鲜花四分类删除非图片文件删除重复图片整理数据集鲜花四分类每种类别数据：训练500、测试50、预测10 总训练集：250
环境：OS：UbuntuCaffe环境（CUDA、OpenCV、cuDNN、...）Nvidia显卡 TITIAN X目录1.数据准备（使用自己的数据）1.1生成 所有图像数据的 每一幅图的路径 类别标签的 txt文件2.利用1中的txt文件生成 lmdb文件3.准备网络模型：网络定义文件prototxt4.准备Caffe的Solver 文件：solver.prototxt5.开始训练6.训练完成
1 为什么要用 Transformer ？（创新点）1.1 问题来源最开始机器翻译使用的 seq2seq 所存在的问题：encoder 和 decoder 之间的上下文向量长度固定，但输入文本的长度是不固定的，长度不对称固定长度的上下文向量无法对长语句做有效编码，会遇到信息瓶颈，产生信息丢失的情况为了解决上述问题，基于 attention 的 seq2seq 随即被提出（这个 attention
1、model.pyimport torch.nn as nn
import torch
# 【1】定义18/34层的残差结构；这个模块不仅需要有实线残差功能，还要有虚线的功能
class BasicBlock(nn.Module):
# 18/34层的残差结构，他的第一层与第二层的卷积核的个数是一样的
expansion = 1 # 对应的残差结构主分支上所采用的卷积
转载
2024-08-29 20:09:20
50阅读
环境tensorflow 2.1
最好用GPUCifar10数据集CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题。任务的目标对一组32x32 RGB的图像进行分类，这个数据集涵盖了10个类别：飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。下面代码仅仅只是做显示Cifar10数据集用import numpy as np
import matplotlib.pyp
项目背景 现在要对XXX疾病进行二分类，通常医学上称之为阴性（无XXX病），阳性（有XXX病）。对于分类任务来说，二分类是最简单的分类任务。经典的分类网络（VGG，ResNet，DenseNet等）都是在ImageNet进行1000类分类任务。因此，本项目拟采用经典网络ResNet系列网络结构进行二分类实验。基本内容数据采集：特定设备采集人体3D数据，渲染生成训练需要的各种类型的2D图片。那么应
转载
2024-04-01 11:17:39
174阅读
1 深度残差网络 随着CNN的不断发展，为了获取深层次的特征，卷积的层数也越来越多。一开始的 LeNet 网络只有 5 层，接着 AlexNet 为 8 层，后来 VggNet 网络包含了 19 层，GoogleNet 已经有了 22 层。但仅仅通过增加网络层数的方法，来增强网络的学习能力的方法并不总是可行的，因为网络层数到达一定的深度之后，再增加网络层数，那么网络就会出现随机梯度消失的问题，也会
转载
2024-03-15 05:27:31
300阅读
目录1、作业简介1.1、问题描述 1.2、预期解决方案1.3、数据集1.4、部分数据展示2、数据预处理2.1、数据集结构2.2、数据集的探索性分析2.3、图像数据的预处理2.4、标签数据的预处理2.5、使用 DataLoader 加载数据3、ResNet50模型3.1、ResNet50的网络结构及其中间的维度变换3.2、通过导包直接使用ResNet503.3、用Resnet50进行训练（
转载
2024-06-27 06:35:03
128阅读
目录前言一、任务介绍二、具体实现代码框架导入包及读入数据网络模型定义模型训练三、模型改进 前言本文将尝试应用残差神经网络网络解决图片分类的问题。实践平台为Kaggle。 链接: Kaggle - 树叶分类竞赛一、任务介绍任务是预测叶子图像的类别。 该数据集包含 176 个类别，18353 张训练图像，8800 张测试图像。 每个类别至少有 50 张图像用于训练。 测试集平均分为公共和私人排行榜。
转载
2024-06-16 11:52:54
82阅读
最开始接触到这个ResNet的时候是在看deeplab2的论文的时候，里面用到的是Res101，对于习惯了使用VGG16来作为基本框架的我对于这个101层的网络自然是充满着无比的敬意呀，哈哈。ResNet在各个方面的表现都很优异，他的作者何凯明博士也因此摘得CVPR2016最佳论文奖。我认为VGG16是在AlexNet的基础上加深了网络层次从而获得了优异的结果，就理论上来说，ResNe
ssd模型图示模型原理ssd主要的思想是以cnn做为特征提取网络，例如以resnet50做为提取网络，删除掉resnet后面的全连接层，再增添几层额外的卷基层提取特征，得到不同尺度的特征图，然后我们让这些不同层次的特征图分别预测不同大小的目标，浅层卷积层提取到的是比较细小的特征，越深层的卷积提取到的信息会越丰富，因此我们让浅层的卷积特征图去检测小的目标，让深层的卷积特征图去检测大的目标。 还是直接
转载
2024-04-01 06:16:59
189阅读
pytorch fasterrcnn-resnet50-fpn 神经网络 目标识别 应用 —— 推理识别代码讲解（开源）项目地址二、推理识别代码讲解1、加载模型1）加载网络结构2）加载权重文件3）model状态配置2、图片推理推理——最最最关键的环节到了！boxes:labels:scores:boxes labels scores 是按照顺序对应的3、推理结果转换完整代码 项目地址完整代码放在
转载
2024-08-22 11:42:13
260阅读
在看本文之前，请下载对应的代码作为参考：pytorch/vision/detection/faster_rcnn。总体结构花了点时间把整个代码架构理了理，画了如下这张图： (*) 假设原始图片大小是599x900主体部分分为这几大部分：Transform，主要是对输入图像进行转换Resnet-50，主干网，主要是特征提取FPN，主要用于构建特征金字塔给RPN提供输入特征图RPN，主要是产生regi
转载
2024-03-15 08:23:55
295阅读
以resnet作为前置网络的ssd目标提取检测
1.目标
本文的目标是将resnet结构作为前置网络，在imagenet数据集上进行预训练，随后将ssd目标提取检测网络（一部分）接在resnet前置网络之后，形成一个完整的ssd网络。
&
转载
2024-08-23 17:50:50
32阅读
摘要：承接上一篇LeNet网络模型的图像分类实践，本次我们再来认识一个新的网络模型：ResNet-50。不同网络模型之间的主要区别是神经网络层的深度和层与层之间的连接方式，正文内容我们就分析下使用ResNet-50进行图像分类有什么神奇之处，以下操作使用MindSpore框架实现。1.网络：ResNet-50对于类似LeNet网络模型深度较小并且参数也较少，训练起来会相对简单，也很难会出现梯度消失
转载
2024-03-15 16:07:22
399阅读
摘要：resnet神经网络原理详解resnet为何由来：resnet网络模型解释resnet50具体应用代码详解：keras实现resnet50版本一：keras实现resnet50版本二：参考文献：摘要：卷积神经网络由两个非常简单的元素组成，即卷积层和池化层。尽管这种模型的组合方式很简单，但是对于任何特定的计算机视觉问题，可以采
转载
2024-04-28 15:59:50
223阅读
我们要用两层卷积神经网络来提取特征对mnist数据集进行分类，在pytorch中，我们应该如何设计网络？最基本的卷机层与池化层怎么去搭配，如何计算？目录1.理论设计2.利用工具进行计算3.代码实现4.参考资料1.理论设计 首先mnist数据集是28*28单通道的图片数据，这里卷积核的s
转载
2024-08-22 11:43:56
79阅读
https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson8/resnet_inference.py这篇文章主要介绍了 图像分类的 inference，其中会着重介绍 ResNet。模型概览在torchvision.model中，有很多封装好的模型。 可以分类 3 类： 经典网络 alexnetvggres
