Fast R-CNNRCNN系列论文：目标检测：RCCN网络详解目标检测：Fast RCNN网络详解目标检测：Faster RCNN网络详解简述：RCCN存在以下几个问题： （1） 需要事先提取多个候选区域对应的图像。这一行为会占用大量的磁盘空间； （2） 针对传统的CNN来说，输入的map需要时固定尺寸的，而归一化过程中对图片产生的形变会导致图片大小改变，这对CNN的特征提取有致命的坏处； （3
近年来，人们对深度学习方法在图上的扩展越来越感兴趣。在多方因素的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于处理图数据的神经网络结构，由此一个新的研究热点——“图神经网络（Graph Neural Networks，GNN）”应运而生。在二月九号结束的AAAI 2021会议上，对于图神经网络研究主题共录用论文29篇，是本次会议论文篇数录入最多的主题。AMin
转载
2023-10-13 09:01:25
56阅读
人工神经网络 神经元 神经网络由大量的神经元相互连接而成。每个神经元接受线性组合的输入后，最开始只是简单的线性加权，后来给每个神经元加上了非线性的激活函数，从而进行非线性变换后输出。每两个神经元之间的连接代表加权值，称之为权重（weight）。不同的权重和激活函数，则会导致神经网络不同的输出。 举个手写识别的例子，给定一
转载
2024-02-19 11:27:40
23阅读
学习内容：卷积神经网络研究综述论文学习笔记一． 引言部分 二． 卷积神经网络概述（对各部分进行解释） 三． 至今为止，对CNN进行的改进与尝试 四． 训练模型的方法与开源工具 五． 实际生活中的应用 六． CNN参数设置的一些探索 七． 总结 八． 参考文献论文简介：以上，便是该篇论文的八个板块。 本文从计算机视觉的历史出发，着重介绍了CNN各部分的作用与网络合理化设置的方法，之后点明了CNN后期
1、CNN结构演化历史图 CNN经典论文学习第一篇，卷积神经网络开山鼻祖，经典的手写体识别论文——LeNet:《Gradient-Based Learning Applied to Document Recognition》，作者包括深度学习三大巨头之一Yann Lecun，花书《深度学习》作者之一Yoshua Bengio。 原文篇幅很长，选择记录其中最重要的介绍CN
转载
2024-02-14 13:23:35
234阅读
本文主要是回顾一下一些经典的CNN网络的主要贡献。论文传送门【google团队】[2014.09]inception v1: https://arxiv.org/pdf/1409.4842.pdf
[2015.02]inception v2: https://arxiv.org/pdf/1502.03167.pdf
[2015.12]inception v3: https://arxiv.org/
转载
2024-08-12 12:13:36
50阅读
动手学深度学习7.1 AlexNet试着增加迭代轮数。对比LeNet的结果有什么不同？为什么？增加迭代次数，LeNet的准确率比AlexNet低，因为复杂的网络有着更强的学习能力。LeNet AlexNet —— 用于加入非线性的因素, 解决线性模型所不能解决的问题.参数学习方法的选择(一般为权重值W和偏置项b)一、CNN领域划分图像处理领域
图像识别图像标注图像主题生成图像内容生成…视频处理领域
视频分类视频标准视频预测…自然语言处理（NLP）领域
对话
转载
2024-05-04 18:17:35
102阅读
本文介绍一种剪枝方法（ Sparse Structure Selection）。1. 核心思想如图为论文中提出的网络框架。F表示残差函数。灰色的block、group和neuron表示它们是不活跃的，对应的比例因子为0，可以被修剪。 根据作者在论文中所描述的，改论文的贡献体现在以下2个方面:作者提出了一个统一的cnn模型训练和剪枝框架。特别地，通过在cnn的某些结构上引入缩放因子和相应的稀疏正则化
转载
2024-03-21 13:13:47
126阅读
平时做自然语言处理的时候，都会有用到CNN的模型，可是对于模型本身的算法具体过程还没有完全理解透彻！ 因此阅读了一些文章书籍以及观看了一些课程，在这里尽量以通俗易懂的语言，以问答形式作一个总结，如有错误的地方劳烦指出！一 CNN是个什么鬼？它可以用来做什么？ CNN的英文全称是Convolutional Neural Networks(可不是那个美国有线电视新闻网CNN哦), 中文名叫作卷积神
转载
2023-10-08 08:26:25
134阅读
一、RNN与CNN处理Seq2seq问题的局限性RNN的局限性处理Seq2seq问题时一般会首先想到RNN，但是RNN的问题在于无论使用单向还是双向RNN都无法并行运算，输出一个值必须等待其依赖的其他部分计算完成。CNN的局限性为了解决并行计算的问题，可以尝试使用CNN来处理。如下图，使用CNN时其同一个卷积层的卷积核的运算是可以并行执行的，但是浅层的卷积核只能获取部分数据作为输入，只有深层的卷积
转载
2024-04-03 08:57:43
174阅读
一、VGG研究目的：论文主要研究卷积网络的深度(Depth)对于图像识别任务的准确度影响。论文主要贡献：一定的数据规模下，增加网络深度能够有效提升网络的性能；两个3x3Conv的感受野等效于1个5x5Conv，并且参数更少，性能更好；VGG引入了卷积模块的设计模式（Figure 1），其特点是：一个卷积块内的特征图尺寸通常不变，模块之间特征图尺寸降低时，特征图的数量会增加（后续的分类网络基本都是基
转载
2024-01-15 06:48:15
131阅读
