一.概述 CapsuleNet（Dynamic Routing Between Capsules），胶囊网络，是Hinton等提出的新型图像人工神经网络模型，它主要解决了图像领域中maxpooling等信息丢失（比如说相对位置信息丢失的问题等）。 在图
卷积神经网络在深度学习和计算机视觉应用中都有着举足轻重的地位，可以说CNN是目前深度学习的主流方法了。在CNN这样普遍化的工业应用之后，也许你会思考，我们能否更进一步，构造出性能超越CNN的网络结构？解铃还须系铃人，当年提出CNN的Hinton经过多年研究，在2017年11月提出了著名的胶囊网络(Capsule Nets)，并在mnist数据识别任
转载
2024-01-17 08:14:42
126阅读
目录背景介绍卷积神经网络不足之处位姿胶囊是什么？胶囊的工作原理1.输入向量的矩阵乘法2.输入向量的标量加权3.加权输入向量之和4. 向量到向量的非线性变换囊间动态路由算法(精髓所在）损失函数编码器解码器性能评估 背景介绍Geoffrey Hinton，深度学习的开创者之一，反向传播等神经网络经典算法的发明人，2017年10月发表了论文，介绍了全新的胶囊网络模型，以及相应的囊间动态路由算法
转载
2023-12-21 21:53:53
15阅读
CNN现存的问题就是池化提供了局部不变性，但是丢失了位置等信息。 1和4无法检测出来。 使用胶囊作为网络的基本单元。 计算结果封装到一个特征向量中。用来表示可视实体，包括姿态、方位、大小等。动态路由算法代替池化操作，以保留相关的方位信息。特征向量表示可视实体：实体的存在概率具有局部不变性：胶囊覆盖的有限视觉域内的实体变换姿态时，是不变的。 实体的实例化参数具有等变性，由于实例化参数表示实体的姿态坐
转载
2024-01-12 12:15:00
43阅读
0 - 背景 Geoffrey Hinton是深度学习的开创者之一，反向传播等神经网络经典算法发明人，他在去年年底和他的团队发表了两篇论文，介绍了一种全新的神经网络，这种网络基于一种称为胶囊（capsule)的结构，并且还发表了用来训练胶囊网络的囊间动态路由算法。1 - 研究问题 传统CNN存在着缺陷（下面会详细说明），如何解决CNN的不足，Hinton提出了一种对于图像处理更加有效的网络——
转载
2023-11-03 09:41:58
66阅读
胶囊网络（CapsulesNet）理解:一.回顾CNN: CNN网络层级结构 CNN网络一共有5个层级结构：输入层卷积层激活层池化层全连接FC层1.输入层 与传统神经网络/机器学习一样，模型需要输入的进行预处理操作，常见的3中预处理方式有：去均值归一化PCA/SVD降维等2.卷积层 &
转载
2023-07-27 19:05:26
102阅读
卷积神经网络Convnet用于通过将原始图像通过层转换为类分数来识别图像。 CNN的灵感来自视觉皮层。 每当我们看到某些东西时，一系列神经元被激活，每一层都会检测到一组特征，如线条，边缘。 高层次的层将检测更复杂的特征，以便识别我们所看到的内容。深度学习CNN模型进行训练和测试，每个输入图像将通过一系列带有滤波器(Kernals)，Pooling，全连接层(FC)的卷积层并通过Softmax函数对
转载
2023-08-31 17:51:54
71阅读
注意：本文章有很多图，但是都是YOLOv3的结构图，只是每张图表达出的信息都各有特色，可将这些结构图结合起来，能更好的理解。1.Darknet-53 模型结构在论文中虽然有给网络的图，但我还是简单说一下。这个网络主要是由一系列的1x1和3x3的卷积层组成（每个卷积层后都会跟一个BN层和一个LeakyReLU)层，作者说因为网络中有53个convolutional layers，所以叫做Darkne
转载
2024-04-15 09:47:16
68阅读
网络结构模醒ISO的基本概念，方便网工初学者记忆。
原创
2020-03-21 10:06:10
641阅读
Tensorflow入门：数据结构和编程思想引言： 最近tensorflow很火，看到国内都有不少人开始玩起来了，自己最近有些想法想玩玩，于是开始入门搞一下，因为自己只有一个台式电脑，于是就装了个cpu版的tensorflow，安装过程挺顺利，一两句命令搞定，最后遇到过glibc的版本问题，直接升级了Ubuntu版本就好了。 于是，开始入门了。下面是我学习的笔记，水平有限，如有不对，敬请指教。
转载
2024-06-17 15:55:21
43阅读
翻译自https://medium.com/@smallfishbigsea/faster-r-cnn-explained-864d4fb7e3f8Faster R-CNN有两部分网络：region proposal network（RPN）用来生成“region proposal” 以及一个利用这些proposal来做检测的网络。Faster R-CNN与它的上一个版本检测网络Fast R-CN
转载
2024-06-06 07:13:40
87阅读
## Python 网络结构
在Python中，网络结构通常用于构建神经网络模型，以实现各种机器学习任务。神经网络是一种模仿人类神经系统的计算模型，由多个神经元组成，通过不同层次的连接实现信息传递和处理。在Python中，常用的库包括TensorFlow、Keras和PyTorch等，它们提供了丰富的API和功能，方便用户构建和训练神经网络模型。
### 神经网络结构
神经网络通常由输入层、
原创
2024-04-01 04:43:25
29阅读
Mask R-CNN论文Mask R-CNN(ICCV 2017, Kaiming He,Georgia Gkioxari,Piotr Dollár,Ross Girshick, arXiv:1703.06870) 这篇论文提出了一个概念简单,灵活,通用的目标实例分割框架,能够同时检测目标并进行实例分割.在原Faster R-CNN基础上添加了object mask分支与原目标检测任务分支并列.速
转载
2024-07-29 15:37:10
103阅读
一、卷积神经网络结构常见的卷积神经网络结构： 服务器上：LeNet、AlexNet、VGG、InceptionV1-V4、Inception-ResNet、ResNet 手机上：SqueezNet、NASNet二、卷积参数量的计算1、卷积层参数量需要与上一节中的进行区分卷积核计算参数进行区分卷积层参数量parameter=（W×H×C+1）*Cout其中，W为卷积核的宽；H为卷积核的高；+1为偏执
转载
2023-09-15 18:59:12
91阅读
SSD全称为Single Shot MultiBox Detector，为one-stage的目标检测算法。与two-stage的目标检测算法不同，SSD完全消除了Proposal的生成过程，将所有的计算统一到一个Network中。并且，其在不同尺度的feature maps上输出bounding boxes，以此来应对目标检测中物体尺寸大小不一的问题。与同为one-stage目标检测的Yolo
转载
2023-11-19 10:28:26
153阅读
这篇文章只讲述我看完视频和代码之后对ViT的理解，特别是代码中是怎么实现的网络结构。1.整体结构 这是论文中给出的图，整体思想就是将图片给切成一个个patch，将patchs看作是NLP中的单词输入进网络，通过数个Transformer Encoder后输出class token来进行分类。整体的结构还是很清晰的，接下来我就结合代码来一步步讲解ViT是怎样通过代码实现的。 2.
转载
2024-03-30 18:03:13
288阅读
一.概述常用文字识别算法主要有两个框架： CNN+RNN+CTC(CRNN+CTC)CNN+Seq2Seq+Attention本文介绍第一种方法。CRNN是一种卷积循环神经网络结构，用于解决基于图像的序列识别问题，特别是场景文字识别问题。文章认为文字识别是对序列的预测方法，所以采
转载
2024-03-15 11:36:34
105阅读
根据 GitHub - RangiLyu/nanodet: NanoDet-Plus⚡Super fast and lightweight anchor-free object detection model. ?Only 980 KB(int8) / 1.8MB (fp16) and run 97FPS on cellphone?打印调试得出NanoDetPlus(
(backbo
转载
2023-05-27 10:18:11
245阅读
Stage1为Conv， Stage2~8为MBConv，Stage9为Conv + Pooling + FC第三列Resolution(分辨率)为输入每个Stage时的分辨率(高度和宽度)第四列Channels为每个Stage输出特征矩阵的通道数第五列Layers为将对应的Stage重复多少次第六列stride(步距)为对应每一个Stage中的第一个Operator的步距，其余Operator的
转载
2024-04-01 10:37:40
225阅读
不同特征层特点：低层特征：语义信息较少，目标位置明确高层特征：语义信息丰富，目标位置粗略FPN特点：预测在不同的特征层独立进行，顶层特征上采样和低层特征做融合。算法大致结构如下图所示：一个自底向上的线路(Bottom-up pathway)，一个自顶向下的线路(Top-down pathway)，横向连接(Lateral connection)自底向上： 即网络的前向过程，将不改变feature
转载
2024-06-26 20:07:58
59阅读
