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. 如何用卷积神经网络快速打造图片识别应用

  2. 课程目标 • Tensorflow的基础介绍 • 卷积神经网络的基本概念 • TF-Slim的了解和掌握 • 使用TF的代码资源，快速打造一个图像 识别引擎

  3. 所属分类：机器学习

    • 发布日期：2017-09-07
    • 文件大小：1mb
    • 提供者：bxjgood66

  1. 卷积神经网络

  2. 卷积神经网络的快速发展得益于LeNet-5、Alexnet、ZFNet、VGGNet、GoogleNet、ResNet等不同结构的设计出现。卷积神经网络的结构哟很多种，但是基本机构是相似的，主要包括：卷积层、池化层、激活函数、正则化、全连接层以及损失函数。

  3. 所属分类：讲义

    • 发布日期：2018-03-09
    • 文件大小：5mb
    • 提供者：dongairan

  1. Winograd快速卷积算法论文的配套胶片

  2. Winograd快速卷积算法论文的配套胶片，看完基本可以理解论文中主要思想，以及整体思路。

  3. 所属分类：深度学习

    • 发布日期：2018-10-20
    • 文件大小：6mb
    • 提供者：vollerain

  1. 一种差和迭代人工神经网络算法及架构的新技术--卷积神经网络算法的更新换代技术.pdf

  2. 本技术用简单的二元差分算子和二元求和算子及其迭代架构，实现了对声音、图像和高维流形数据处理的快速新算法。算法本质是把卷积神经网络中卷积层的卷积运算中矩阵的乘、加的内积运算,代之以矩阵的加、减迭代运算，可以加速网络运行速度和效率。并行的网络算法具有显然的几何和物理意义，企图解决现有神经网络不透明的黑盒子问题及学习速度慢等重大问题。

  3. 所属分类：互联网

    • 发布日期：2020-04-18
    • 文件大小：497kb
    • 提供者：weixin_42321183

  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. 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. 基于卷积神经网络的ADHD的判别分析

  2. 提出了利用卷积神经网络(CNN)对儿童注意缺陷与多动症(ADHD)的功能性核磁共振图像（fMRI）进行特征分析，从而对ADHD患者进行判别分析。针对ADHD-200全球竞赛的三个数据库的fMRI数据，首先利用快速傅里叶变换将数据从时域转换到频域，并利用Fisher线性判别方法选择有效的频率信息，然后利用改进的卷积神经网络对选择频域数据进行特征学习，自动提取出有效的特征并进行分类。实验结果表明，提出的方法有助于ADHD患者的判别，为基于fMRI数据的ADHD研究提供了新的手段。

  3. 所属分类：其它

    • 发布日期：2020-10-16
    • 文件大小：282kb
    • 提供者：weixin_38519082

  1. [cv] MTCNN 多任务卷积神经网络

  2. 参考： 用包代码：https://blog.51cto.com/gloomyfish/2319246 不用包代码：http://www.sfinst.com/?p=1683 MTCNN模型概述 多任务卷积神经网络(MTCNN)实现人脸检测与对齐是在一个网络里实现了人脸检测与五点标定的模型，主要是通过CNN模型级联实现了多任务学习网络。整个模型分为三个阶段，第一阶段通过一个浅层的CNN网络快速产生一系列的候选窗口；第二阶段通过一个能力更强的CNN网络过滤掉绝大部分非人脸候选窗口；第三阶段通过一个能

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：359kb
    • 提供者：weixin_38698860

  1. neurvps:通过圆锥卷积的神经消失点扫描-源码

  2. NeurVPS：通过圆锥卷积的神经消失点扫描 该存储库包含该文件的官方PyTorch实施：，，，。 。 NeurIPS 2019。 介绍 NeurVPS是一个端到端的可训练深度网络，具有受几何启发的卷积运算符，用于检测图像中的消失点。 凭借数据驱动方法和几何先验的能力，NeurVPS能够胜过诸如和之类的最新技术消失点检测方法。 主要结果 定性措施 随机抽样的结果可以在论文的中找到。 量化措施 此处，x轴表示检测到的消失点的角度精度，y轴表示误差小于此值的结果的百分比。 我们的圆锥卷积网络优

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：945kb
    • 提供者：weixin_42174098

  1. 卷积神经网络的帧内编码快速QTBT分割算法

  2. 卷积神经网络的帧内编码快速QTBT分割算法

  3. 所属分类：其它

  1. 快速融合胶囊网络及其在MNIST中的应用

  2. 胶囊网络是一种新的神经网络架构，它避免了由于卷积神经网络的池操作而导致的位置信息丢失的问题。 胶囊网络使用向量作为输入和输出以及动态路由更新参数，其效果比卷积神经网络更好。 在本文中，为胶囊网络提出了一种新的激活函数，并将最小的重量损失添加到了损失函数中。 实验表明，改进的胶囊网络提高了网络的收敛速度，提高了泛化能力，使网络效率更高。

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：626kb
    • 提供者：weixin_38547409

  1. 用于监督超光谱图像分类的光谱空间域特定卷积深度极限学习机

  2. 光谱空间特征提取对高光谱图像（HSI）分类非常重要。 与传统的特征提取方法不同，诸如卷积神经网络（CNN）之类的深度学习模型可以自动学习光谱空间判别特征。 但是，深度学习模型通常需要构建一个庞大而复杂的网络，并且培训非常耗时。 为了解决这些问题，本文提出了一种谱空间特定的卷积深度极限学习机（ELM），称为S2CDELM，用于HSI分类。 首先，利用局部感受域（LRF）的概念，构造了具有两个分支的光谱空间卷积学习模块，分别用于光谱和空间特征提取。 具体地，通过使用随机卷积节点但不反向传播来构造卷积

  3. 所属分类：其它

  1. 基于卷积神经网络和连接组件约束的车道快速检测

  2. 基于卷积神经网络和连接组件约束的车道快速检测

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：556kb
    • 提供者：weixin_38737980

  1. saliency-2016-cvpr:浅层和深层卷积网络用于显着性预测-源码

  2. 浅层和深层卷积网络用于显着性预测 该论文在 （*） （*） （*）平等贡献 之间的联合合作： 抽象的 传统上，基于神经科学原理通过手工制作的功能解决了图像显着区域的预测问题。 但是，本文通过训练卷积神经网络（convnet），以完全数据驱动的方法解决了该问题。 学习过程被表述为损失函数的最小化，该损失函数使用提供的地面真实性来测量预测显着性图的欧几里得距离。 最近发布的显着性预测大型数据集提供了足够的数据来训练快速而准确的端到端体系结构。 提出了两种设计：从头开始训练的浅层卷积网络，以及另

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：680kb
    • 提供者：weixin_42099530

  1. convnet：C ++中卷积神经网络的GPU实现-源码

  2. 欢迎使用ConvNet。 ConvNet是卷积神经网络的一种基于C ++的快速GPU实现。 支持多GPU架构（多GPU，单机）。 提供仅基于CPU的快速功能提取器。 安装 [安装指南]（ ） 预训练模型 提供了用于训练和特征提取的预训练模型和示例，以用于 讲解 快来了。 文献资料

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：17mb
    • 提供者：weixin_42151729

  1. 基于全卷积对称网络的目标尺度自适应追踪

  2. 针对目标追踪过程中由于目标快速运动及尺度变化导致追踪失败的问题, 提出了一种基于全卷积对称网络的目标尺度自适应追踪算法。首先利用MatConvNet框架构建全卷积对称网络, 使用训练好的网络得到实验图像与模板的多维特征图, 两者通过互相关操作, 选取置信分数最大的点为所追踪目标的中心位置; 其次, 对中心位置进行多尺度采样, 将小于模板方差1/2的错误样本过滤掉; 建立目标模板和样本概率直方图, 计算模板与样本间的海林洛距离, 选取合适的尺度作为目标追踪窗口的尺度。在OTB-13数据集上进行实验

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：17mb
    • 提供者：weixin_38621082

  1. 基于目标区域的卷积神经网络火灾烟雾识别

  2. 在场景复杂、干扰较多的情况下,传统的火灾烟雾识别方法的识别性能不高。针对该问题,提出了一种基于目标区域的卷积神经网络火灾烟雾识别方法,构建两层的火灾烟雾识别模型,利用目标区域定位层的运动检测算法对火灾烟雾图像进行烟雾目标区域的提取,快速去除复杂场景的大量无关干扰信息,并将提取的烟雾目标区域输入火灾烟雾识别层,通过卷积神经网络精细提取烟雾的深层特征后进行分类,完成火灾烟雾的识别。实验结果表明,所提方法在复杂环境下的数据集中,抗干扰能力较强,能够有效降低误检率,提高烟雾识别的准确率。

  3. 所属分类：其它

  1. 基于多层卷积特征融合的目标尺度自适应稳健跟踪

  2. 针对复杂跟踪条件下目标的稳健跟踪和精确尺度估计问题，提出了一种基于多层卷积特征融合的目标尺度自适应稳健跟踪算法。算法首先利用VGG-Net-19深层卷积网络架构提取目标候选区域的多层卷积特征，通过相关滤波算法构建二维定位滤波器，得到多层卷积特征并进行加权融合，从而确定目标的中心位置；然后通过对目标区域进行多尺度采样，提取其梯度方向直方图特征构建一维尺度相关滤波器，确定目标的最佳尺度。实验结果表明，与6种当前主流跟踪算法相比，该算法取得了最好的跟踪成功率与精度，同时在跟踪过程中较好地实现了对目标快

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：13mb
    • 提供者：weixin_38565480

  1. 全卷积网络多层特征融合的飞机快速检测

  2. 针对传统飞机检测方法准确率低、虚警率高、速度慢等问题, 提出一种全卷积神经网络多层特征融合的飞机快速检测方法。将浅层和深层的特征经过采样后在同一尺度进行融合, 以缓解由于深层特征图维度过低造成的对小目标表达不足的问题；修改区域提取时的选框尺寸以适应实际图像中飞机的尺寸特征；用卷积层代替全连接层以减少网络参数并适应不同大小的输入图像；复用区域提取网络和检测网络的卷积层和学习的特征参数以保证检测的高效性。仿真结果表明, 与典型的飞机检测方法相比, 所提方法在测试集上取得了更高的准确率和更低的虚警率,

  3. 所属分类：其它

  1. 基于聚类式区域生成的全卷积目标检测网络

  2. 基于区域的全卷积网络(R-FCN)的区域生成网络(RPN)沿用了更快速区域卷积神经网络(Faster R-CNN)的RPN。针对RPN先验框的大小与数量均需人为固定,生成的建议区域过多等问题,将聚类思想应用到RPN中,改进先验框的生成方式,提出了基于聚类式区域生成的全卷积目标检测网络。通过对训练样本的真实框进行K-Means聚类得到先验框的最适大小和最佳数量,取代原本人为固定选取先验框的方式。此外,为增强模型的泛化能力,在改进后的R-FCN上使用ResNet基础网络,采用困难样本挖掘方法进行训练

  3. 所属分类：其它

« 12 3 4 5 6 7 8 9 10 »