注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 读取raw图像 自行设计卷积kernel，对图像卷积，然后非盲反卷积实现

  2. 读取.raw图像，并显示，然后自己设计一个卷积核（kernel） 对图像进行卷积操作，然后利用空域频域之间转换，对图像反卷积

  3. 所属分类：其它

    • 发布日期：2013-06-06
    • 文件大小：998byte
    • 提供者：u010967121

  1. Matlab 卷积操作程序 非Matlab已有函数

  2. 不使用Matlab自带的conv函数 自己用M语言编写卷积程序

  3. 所属分类：其它

    • 发布日期：2014-08-17
    • 文件大小：12kb
    • 提供者：nearcao

  1. 反卷积论文汇总

  2. 这个压缩包是小编在学习反卷积实现的时候参考的论文汇总，包括最经典的Deconvolutional Networks还有Adaptive Deconvolutional Networks for Mid and High Level Feature Learning以及Visualizing and Understanding Convolutional Networks三篇论文，可以很好的帮助理解深度学习中的反卷积操作原理和具体流程！！

  3. 所属分类：深度学习

    • 发布日期：2018-08-17
    • 文件大小：38mb
    • 提供者：qq_29893385

  1. 基于深度卷积稀疏自编码分层网络的人脸识别技术

  2. 面对海量人脸图像识别,传统特征提取方法难以提取有效特征,造成人脸识别准确率较低。提出了一种鲁棒的人脸特征提取算法,即利用深度卷积稀疏自编码网络自动学习人脸中丰富且识别力高的特征。该方法将卷积操作融入自编码网络中,同时加入稀疏化思想,从而形成深度卷积稀疏自编码分层网络(hierarchical deep convolution sparse autoencoder,HDCSAE);用该网络自动提取海量人脸图像的高层鲁棒特征,并将提取的特征作为SVM分类器的输入得到分类结果。在FERET人脸数据库下

  3. 所属分类：其它

    • 发布日期：2020-04-19
    • 文件大小：694kb
    • 提供者：weixin_38626858

  1. 卷积神经网络（CNN）.pdf

  2. 卷积神经网络（CNN）的快速入门做的笔记，简洁可参考。 一、卷积神经网络（CNN） 二、LeNet(推进深度学习最早的卷积神经网络之一) 1、卷积操作 2、非线性简介(ReLU)(激活函数) 3、池化操作 4、全连接层 ...

  3. 所属分类：深度学习

    • 发布日期：2020-04-01
    • 文件大小：458kb
    • 提供者：weixin_39079076

  1. 基于双向transformer编码器及卷积操作的增强语义关系分类

  2. 基于双向transformer编码器及卷积操作的增强语义关系分类，段希，张茹，最近，经过预训练的BERT模型在许多NLP任务中都取得了非常成功的效果。关系分类不同于其他任务，因为它依赖于句子和两个目标实体的�

  3. 所属分类：其它

    • 发布日期：2020-03-12
    • 文件大小：967kb
    • 提供者：weixin_38665668

  1. 卷积操作图解.xlsx

  2. 使用excel展示卷积的过程,静态的,可以作为简单理解卷积的参考。 里面有卷积的基本操作、加入padding层、池化层的操作等。

  3. 所属分类：机器学习

    • 发布日期：2020-06-16
    • 文件大小：13kb
    • 提供者：zbp_12138

  1. pytorch 自定义卷积核进行卷积操作方式

  2. 今天小编就为大家分享一篇pytorch 自定义卷积核进行卷积操作方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

  3. 所属分类：其它

    • 发布日期：2020-09-18
    • 文件大小：79kb
    • 提供者：weixin_38652058

  1. Tensorflow卷积神经网络实例

  2. CNN最大的特点在于卷积的权值共享结构，可以大幅减少神经网络的参数量，防止过拟合的同时又降低了神经网络模型的复杂度。在CNN中，第一个卷积层会直接接受图像像素级的输入，每一个卷积操作只处理一小块图像，进行卷积变化后再传到后面的网络，每一层卷积都会提取数据中最有效的特征。这种方法可以提取到图像中最基础的特征，比如不同方向的边或者拐角，而后再进行组合和抽象形成更高阶的特征。 一般的卷积神经网络由多个卷积层构成，每个卷积层中通常会进行如下几个操作： 图像通过多个不同的卷积核的滤波，并加偏置（b

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：93kb
    • 提供者：weixin_38661800

  1. Pytorch 实现sobel算子的卷积操作详解

  2. 卷积在pytorch中有两种实现，一种是torch.nn.Conv2d()，一种是torch.nn.functional.conv2d()，这两种方式本质都是执行卷积操作，对输入的要求也是一样的，首先需要输入的是一个torch.autograd.Variable()的类型，大小是（batch，channel， H，W)，其中batch表示输入的一批数据的数目，channel表示输入的通道数。 一般一张彩色的图片是3，灰度图片是1，而卷积网络过程中的通道数比较大，会出现几十到几百的通道数。H和W表

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：100kb
    • 提供者：weixin_38688371

  1. 深度可分离卷积网络的理论与实战（TF2.0）

  2. 1、深度可分离卷积网络的理论 深度可分离卷积是普通卷积操作的一个变种，它可以替代不同卷积，从而构成卷积神经网络。 以精度损失为代价去换取计算量的减少和参数量的减少，从而使得深度可分离卷积网络可以在手机端运行。 用右图的结构代替左图： 它的好处是，有不同尺寸的视野域， 如下图是Inception V3的结构：从左到右的视野域为：1*1,3*3,6*6,5*5，在这四个分支上有4种不同的视野域，4种不同的视野域也就提取出了4种不同尺寸的图像特征。最后输出的信息就更丰富，效果更好。并且相对于不做分支

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：149kb
    • 提供者：weixin_38665193

  1. 卷积网络中的感受野详解

  2. 感受野的概念 在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域，如图1所示。 2. 感受野的例子 （1）两层33的卷积核卷积操作之后的感受野是55，其中卷积核（filter）的步长（stride）为1、padding为0，如图2所示： 图2：两层33卷积核操作的感受野是55 （2）三层33卷积核操作之后的感受野是77，其中卷积核的

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：197kb
    • 提供者：weixin_38742421

  1. 快来看看卷积操作到底都干了什么

  2. 卷积解决全连接参数过多的问题（参数多容易过拟合和，局部极值，鞍点） 卷积敞开了讲就是为了提取特征，比如上第二图的卷积局部连接，不同的滤波器提取不同位置的特征，但是需要做到特征和位置无关，所以的滤波器局部连接使用一套参数如第三幅图（这样友大幅度减少了参数），下面这幅图就是经过一次卷积之后，提取了车顶的特征（变亮的地方） 多么我们使用了多个卷积核干什么呢？也就是提取多个特征，下图是我使用多个卷积核然后选出三个特征 咱们再说说池化 上面的池化减小大小，我把池化的图片放大到卷积后的大小 发现我

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：292kb
    • 提供者：weixin_38737176

  1. 卷积神经网络（CNN）在无人驾驶中的应用

  2. 无人驾驶的感知部分作为计算机视觉的领域范围，也不可避免地成为CNN发挥作用的舞台。本文是无人驾驶技术系列的第八篇，深入介绍CNN（卷积神经网络）在无人驾驶3D感知与物体检测中的应用。卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种适合使用在连续值输入信号上的深度神经网络，比如声音、图像和视频。它的历史可以回溯到1968年，Hubel和Wiesel在动物视觉皮层细胞中发现的对输入图案的方向选择性和平移不变性，这个工作为他们赢得了诺贝尔奖。时间推进到上世纪80年代，

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：585kb
    • 提供者：weixin_38699593

  1. 卷积神经网络概述及python实现

  2. 对于卷积神经网络（CNN）而言，相信很多读者并不陌生，该网络近年来在大多数领域都表现优异，尤其是在计算机视觉领域中。但是很多工作人员可能直接调用相关的深度学习工具箱搭建卷积神经网络模型，并不清楚其中具体的原理。本文将简单介绍卷积神经网络（CNN），方便读者大体上了解其基本原理及实现过程，便于后续工作中的实际应用。本文将按以下顺序展开：1.了解卷积操作2.了解神经网络3.数据预处理4.了解CNN5.了解优化器6.理解ImageDataGenerator7.进行预测并计算准确性8.demo在数学（尤

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：292kb
    • 提供者：weixin_38698367

  1. 基于卷积神经网络的深度图超分辨率重建

  2. 针对传统深度图超分辨率重建算法需要人工提取特征、计算复杂度较高且不容易得到合适表示特征的问题, 提出一种基于卷积神经网络(CNN)的深度图超分辨率重建算法。该算法不需要提前对特定的任务从图像中提取具体的手工特征, 而是模拟人类的视觉系统对原始深度图进行层次化的抽象处理以自主地提取特征。该算法直接进行从低分辨率深度图到高分辨率深度图的映射学习。映射由7个卷积层和1个反卷积层联合实现。卷积操作学习丰富的图像特征, 而反卷积实现上采样重建高分辨率的深度图。Middlebury RGBD数据集的实验结果

  3. 所属分类：其它

  1. 重构特征联合的多域卷积神经网络跟踪算法

  2. 针对MDNet跟踪算法网络模型中存在的特征稳健性差以及目标背景信息丢失导致跟踪失败的问题,提出一种基于重构特征联合的多域卷积神经网络视觉跟踪算法。基于末端卷积层提取的目标高级特征,使用反卷积操作上采样,获得了包含目标背景信息的重构特征,再通过联合目标高级特征和背景信息的重构特征的方式增强特征的稳健性,达到了有效区分目标和背景的目的,适用于解决跟踪过程中出现的目标遮挡、形变、光照变化等问题。将本文算法分别在OTB50和VOT2015跟踪测试集上进行测试,与MDNet算法相比,跟踪精度提升1.53%

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：20mb
    • 提供者：weixin_38589314

  1. 卷积神经网络概述及python实现

  2. 对于卷积神经网络（CNN）而言，相信很多读者并不陌生，该网络近年来在大多数领域都表现优异，尤其是在计算机视觉领域中。但是很多工作人员可能直接调用相关的深度学习工具箱搭建卷积神经网络模型，并不清楚其中具体的原理。本文将简单介绍卷积神经网络（CNN），方便读者大体上了解其基本原理及实现过程，便于后续工作中的实际应用。本文将按以下顺序展开：1.了解卷积操作2.了解神经网络3.数据预处理4.了解CNN5.了解优化器6.理解ImageDataGenerator7.进行预测并计算准确性8.demo 在数学（

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：292kb
    • 提供者：weixin_38630697

  1. Pytorch之卷积网络

  2. Pytorch之卷积网络 卷积操作 互操作 原理图 ​ 　　虽然卷积层得名于卷积（convolution）运算，但我们通常在卷积层中使⽤更加直观的互相关（crosscorrelation）运算。计算如下： 代码原理 def corr2d(X, K): 计算卷积操作(互操作) h, w = K.shape # 得到卷积后 Y = t.zeros((X.shape[0]-h+1, X.shape[1]-w+1)) for i in range(Y.shap

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：214kb
    • 提供者：weixin_38740596

  1. 基于多特征时空图卷积网络的水运通航密度预测

  2. 面对港航信息化发展的需求，物联网技术助力我国水运交通感知网络的建设。水运交通大数据分析已成为交通领域研究者和实践者关注的热点。在水运交通中，各港口的通航密度具有非线性、时空相关性和异质性，对其进行精准预测将面临巨大的挑战。提出一种基于多特征时空图卷积网络（MFSTGCN,multi-feature spatio-temporal graph convolution network）的预测方法，解决了水运交通中通航密度的预测问题。MFSTGCN方法从通航量、船舶平均航速和船舶密度3个特征出发，利用

  3. 所属分类：其它

« 12 3 4 5 6 7 8 9 10 ... 17 »