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. 可视化理解卷积神经网络

  2. Matthew D. Zeiler and Rob Fergus经典论文，最近Krizhevsky等人展示了大型卷积网络模型在基准数据集ImageNet上的令人印象深刻的分类性能[18]。然而，对于他们为什么表现如此出色以及他们如何改进这一点并不清楚。在本文中，我们探讨了这两个问题。我们介绍一种新颖的可视化技术，可以深入了解中间要素图层的功能和分类器的操作。基于这些可视化的决断，使我们能够找到比Krizhevsky等人的模型更好的架构。在ImageNet分类基准数据集上，我们也进行消融研究，以

  3. 所属分类：深度学习

    • 发布日期：2017-11-12
    • 文件大小：1mb
    • 提供者：lcpxrt

  1. 基于卷积神经网络的人脸识别研究

  2. 参照经典的卷积神经网络模型 Ｌｅｎｅｔ－５的结构，提出一种适用于该数据集的CNN结构

  3. 所属分类：深度学习

    • 发布日期：2018-07-09
    • 文件大小：243kb
    • 提供者：qq_41743623

  1. 深度学习算法中卷积神经网络的概念综述

  2. 卷积神经网络对图像具有强大的特征提取性能，成为深度学习算法的一个重要的组成部分，在图像识别的技术应 用中起到了至关重要的作用。首先介绍了卷积神经网络的发展背景，然后介绍了神经网络的结构组成及每层的功能，最 后罗列了一些经典的卷积神经网络模型，并论述了发展趋势。

  3. 所属分类：深度学习

    • 发布日期：2019-01-08
    • 文件大小：1mb
    • 提供者：shanshuihua

  1. LeNet-5结构的卷积神经网络-CNN.zip

  2. 超简明网课的CNN经典代码，实现了LeNet-5结构，相关博文链接可以参考如下：「https://blog.csdn.net/u013684446/article/details/105575942」。代码质量高，下载后直接运行即可

  3. 所属分类：Python

    • 发布日期：2020-04-17
    • 文件大小：17mb
    • 提供者：u013684446

  1. 卷积神经网络的概述论文：分析、应用和展望（21页全文）.pdf

  2. 在这篇综述中，我们的目标是在这个快速增长的领域提供尽可能多的新想法和前景。不仅涉及到二维卷积，还涉及到一维和多维卷积。首先，这篇综述首先简单介绍了CNN的历史。第二，我们提供CNN的概述。第三，介绍了经典的和先进的CNN模型，特别是那些使他们达到最先进的结果的关键点。第四，通过实验分析，得出一些结论，并为函数选择提供一些经验法则。第五，介绍了一维、二维和多维卷积的应用。最后，讨论了CNN的一些有待解决的问题和有发展前景的方向，为今后的工作提供参考。

  3. 所属分类：机器学习

    • 发布日期：2020-04-07
    • 文件大小：3mb
    • 提供者：syp_net

  1. tensorflow实现进阶卷积神经网络.py

  2. 本人使用的数据集是CIFAR-10。这是一个经典的数据集，许多论文也都是在这个数据集上进行训练。 使用的卷积神经网络是根据Alex描述的cuda-convnet模型修改得来。在这个神经网络中，我使用了一些新的技巧： （1）对weights进行了L2的正则化 （2）将图像进行翻转、随机剪切等数据增强，制造了更多的样本 （3）在每个卷积-最大化池层后面使用了LRN层，增强了模型的泛化能力

  3. 所属分类：深度学习

  1. 图像检索经典文章算法介绍发展方向

  2. 图像检索，于内容的图像检索技术综述——传统经典方法 卷积神经网络的压缩和加速 机器学习与深度学习中的数学知识点汇总 基于内容的图像检索技术综述-CNN方法 2018年国外主要实验室和科研团队成果和动向 浅谈卷积神经网络的模型结构

  3. 所属分类：深度学习

    • 发布日期：2019-10-13
    • 文件大小：12mb
    • 提供者：qq_33208851

  1. 卷积神经网络_源代码.rar

  2. 这是我的博客文章：基于深度学习的CIFAR10图像分类 的源代码。 本文实验基于Windows10系统，仿真软件用的是Anaconda下基于python编程的JupyterNotebook编辑器。通过利用Google的深度学习框架Tensorflow，搭建新的卷积网络结构，提出了基于卷积神经网络的CIFAR10图像分类识别算法，主要参照经典的卷积神经网络模型LeNet-5结构，提出新的卷积神经网络结构并对飞机、汽车、鸟类、猫、鹿、狗、蛙类、马、船和卡车10种事物进行分类，该模型构建了一个输入层、

  3. 所属分类：互联网

  1. 卷积神经网络CNN以及几种经典模型

  2. 简介 CNN -> Convolutional Neural Network 卷积神经网络是由一个或多个卷积层和顶端的全连通层（也可以使用1×1的卷积层作为最终的输出）组成的一种前馈神经网络 基本概念 局部感受野(Local Receptive Fields) 一般的神经网络往往会把图像的每一个像素点连接到全连接的每一个神经元中，而卷积神经网络则是把每一个隐藏节点只连接到图像的某个局部区域，从而减少参数训练的数量。 例如，一张1024×720的图像，使用9×9的感受野，则只需要81个权值参

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：707kb
    • 提供者：weixin_38520258

  1. pytorch task05 卷积神经网络

  2. pytorch task05 卷积神经网络 文章目录pytorch task05 卷积神经网络1.卷积神经网络基础1.1二维卷积层1.2填充和步幅1.3多输入通道和多输出通道1.4卷积层与全连接层的对比1.5池化2 经典模型LeNet-5AlexNetVGGGoogLeNet (Inception)ResNet退化问题残差网络的解决办法 1.卷积神经网络基础 1.1二维卷积层 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：182kb
    • 提供者：weixin_38706455

  1. 卷积神经网络基础与经典模型-Task4

  2. 1. 卷积神经网络基础 从本节讲解才知道，卷积神经网络中的Conv2d函数中，实现的滤波器与图像element-wise相乘并累加其实是互相关运算，二维互相关的解释如下： 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和，得到输出数组中相应位置的元素。图

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：153kb
    • 提供者：weixin_38727579

  1. 深度卷积网络压缩算法在焊缝识别中的应用

  2. 传统图像识别算法识别模型单一且易受外部光照条件干扰，深度卷积网络模型虽然识别率高，但计算量大，设备成本高，因此提出基于深度同或卷积网络的改进型压缩算法。首先介绍了焊缝识别系统的组成和经典卷积神经网络模型，然后阐述了改进型的卷积网络压缩算法，包括权值更新算法和权值补偿算法，最后在自制数据集和仿真平台上进行了数据实验。研究结果表明，所提算法具有识别率高、模型小、适应性强和识别模型多样化的优点，可应用于焊接现场对焊缝中心的识别。

  3. 所属分类：其它

  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. 飞机目标分类的深度卷积神经网络设计优化

  2. 针对使用传统方法和神经网络对飞机目标分类时遇到的准确率低、分类种类少等问题,研究了深度卷积神经网络(DCNN)在飞机目标分类中的可行性。为了匹配模型容量、避免过拟合、提高分类性能等,设计了9层DCNN模型,并使用随机梯度下降优化器进行优化。在数据集中选用6类具有代表性的飞机类型进行实验,提出两种正则化级联方式以防止过拟合并加快模型收敛,最终实现了99.1%的飞机分类准确率,由此说明该DCNN模型在飞机目标分类中的有效性。通过归一化混淆矩阵分析分类结果,给出了每类飞机自分类的准确率。此外,设计了一

  3. 所属分类：其它

  1. 融合扩张卷积网络与SLAM的无监督单目深度估计

  2. 针对由一般卷积神经网络预测的粗糙特征生成的深度图质量低、监督学习处理任务限制数据量等问题,提出一种新颖的融合扩张卷积神经网络和同时定位与建图(SLAM)的无监督单目深度估计方法。该方法采用视图重构的思想估计深度,利用光学一致性误差约束网络训练,扩大感受野,考虑图片细节特征。同时采用SLAM算法优化相机姿态,并将其嵌入视图重构框架中,实现单目图片与其深度图的直接映射。利用该方法在公开的KITTI数据集上进行实验,结果表明,与经典的sfmlearner方法相比,误差度量指标绝对差、平方差、均方差和对

  3. 所属分类：其它

  1. 多尺度特征融合的膨胀卷积残差网络高分一号影像道路提取

  2. 针对全卷积神经网络多次下采样操作导致的道路边缘细节信息损失和道路提取不准确的问题,本文提出了多尺度特征融合的膨胀卷积残差网络高分一号影像道路提取方法。首先,通过目视解译的方法制作大量的道路提取标签数据;其次,在残差网络ResNet-101的各个残差块中引入膨胀卷积和多尺度特征感知模块,扩大特征点的感受野,避免特征图分辨率减小和道路边缘细节特征的损失;然后,通过叠加融合和上采样操作将各个尺寸的道路特征图进行融合,得到原始分辨率大小的特征图;最后,将特征图输入Sigmoid分类器中进行分类。实验结果

  3. 所属分类：其它

  1. 《动手学深度学习Pytorch版》Task5-卷积神经网络

  2. 卷积神经网络基础 需要理解卷积神经网络的基础概念，主要是卷积层和池化层、填充、步幅、输入通道和输出通道的含义。 几个经典的模型 LeNet AlexNet VGG NiN GoogLeNet 1×1卷积核作用 放缩通道数：通过控制卷积核的数量达到通道数的放缩。 增加非线性：1×1卷积核的卷积过程相当于全连接层的计算过程，并且还加入了非线性激活函数，从而可以增加网络的非线性。 计算参数少 LeNet vs AlexNet 注：5*5 Conv(16)，这里的16指的是输出的通道数 LeNet的图

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：214kb
    • 提供者：weixin_38605967

  1. 经典卷积神经网络模型—AlexNet，VGG，GoogLeNet

  2. AlexNet 特征 8层变换，其中有5层卷积和2层全连接隐藏层，以及1个全连接输出层。 将sigmoid激活函数改成了更加简单的ReLU激活函数。 用Dropout来控制全连接层的模型复杂度。 引入数据增强，如翻转、裁剪和颜色变化，从而进一步扩大数据集来缓解过拟合 第一个卷积层 输入的图片大小为:2242243（或者是2272273） 第一个卷积层为:111196即尺寸为1111,有96个卷积核,步长为4,卷积层后跟ReLU,因此输出的尺寸为 224/4=56,去掉边缘为55,因此其输出的每

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：291kb
    • 提供者：weixin_38742409

  1. 使用卷积神经网络VGG-16完成是否佩戴口罩的分类模型之网络参数配置详解(Python+PaddlePaddle)

  2. 经过前两天的学习,对深度学习的网络都有了一定的了解,所谓深度,其实就是网络的深度,今天来看一下另一个经典的卷积神经网络: VGG-16 VGG-16后面跟的16表示网络的层数,一般认为,带参数的网络才看作一层,而池化层是不需要计算参数的,因此池化层通常不算在里面: 卷积层共2+2+3+3+3=13层;全连接层有3层。加起来一共16层。 因为网络层数很多,像上一篇文章那样去写这16层网络会显得很麻烦,因此这里用了一个ConvPool类,将卷积层和池化层封装: class ConvPool(flu

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：323kb
    • 提供者：weixin_38530211

  1. 卷积神经网络模型发展及应用

  2. 深度学习是机器学习和人工智能研究的最新趋势，作为一个十余年来快速发展的崭新领域，越来越受到研究者的关注。卷积神经网络（CNN）模型是深度学习模型中最重要的一种经典结构，其性能在近年来深度学习任务上逐步提高。

  3. 所属分类：机器学习

    • 发布日期：2021-01-16
    • 文件大小：2mb
    • 提供者：syp_net
« 12 3 »