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. CNN学习入门-薛开宇

  2. 作为一个入门学习Deep Learning和CNN网络的一个非常赞的slide，深入浅出地讲解了Deep Learning网络的发展来由，以及各个子网络部分的作用。

  3. 所属分类：讲义

    • 发布日期：2014-12-09
    • 文件大小：5mb
    • 提供者：zhangbo123

  1. CNN卷积神经网络介绍

  2. Review (回顾BP神经网络) •Why (为什么需要CNN) •What (什么是CNN) •How (怎么训练CNN) •Present (目前发展) •Prospect (研究方向)

  3. 所属分类：专业指导

    • 发布日期：2015-05-31
    • 文件大小：2mb
    • 提供者：ditspeed

  1. CNN卷积神经网络资料汇总1

  2. 搜集了CNN卷积神经网络发展过程中比较经典的论文，以及实现代码C++,matlab工具箱等资料汇总。

  3. 所属分类：讲义

    • 发布日期：2016-06-14
    • 文件大小：39mb
    • 提供者：u011905949

  1. CNN模型简单介绍(LeNet,AlexNet,VGG,GoogLeNet,ResNet,GAN,R-CNN)

  2. CNN模型简单介绍,按照提出时间依次介绍LeNet,AlexNet,VGG,GoogLeNet,ResNet,GAN,R-CNN。十几页的ppt，主要介绍各个模型的核心思想、贡献，希望能为大家提供一条清晰的CNN发展脉络。具体的算法实现等需要阅读文章代码。相关文章会作为另一个资源提供免费打包下载。

  3. 所属分类：其它

    • 发布日期：2017-01-16
    • 文件大小：803kb
    • 提供者：liudaxia1990

  1. CNN实现的图像检索

  2. 以卷积网络的核心的图像检索，识别技术，将卷积网络的图像识别技术进一步的应用。以图搜图，未来检索技术的发展方向

  3. 所属分类：深度学习

    • 发布日期：2017-09-08
    • 文件大小：2mb
    • 提供者：dingyahui123

  1. CNN图像识别模型

  2. 卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络(Convolutional Neural Networks-简称CNN)。现在，CNN已经成为众多科学领域的研究热点之一。本资源展示CNN模型代码

  3. 所属分类：深度学习

    • 发布日期：2018-05-24
    • 文件大小：67kb
    • 提供者：qq_39957074

  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. CNN网络相关论文阅读

  2. 总共收集了8篇论文，前两篇论文做了写笔记。主要是CNN论文发展的必看论文，包括LnNET-5,AlexNet,NIN,GoogleNet,VGGNet,ResNet,DenseNet,SENet.

  3. 所属分类：深度学习

    • 发布日期：2019-03-02
    • 文件大小：7mb
    • 提供者：qq_33626280

  1. CNN模型简单介绍(LeNet,AlexNet,VGG,GoogLeNet,ResNet,GAN,R-CNN)

  2. CNN模型简单介绍,按照提出时间依次介绍LeNet,AlexNet,VGG,GoogLeNet,ResNet,GAN,R-CNN。十几页的ppt，主要介绍各个模型的核心思想、贡献，希望能为大家提供一条清晰的CNN发展脉络。具体的算法实现等需要阅读文章代码。相关文章会作为另一个资源提供免费打包下载。

  3. 所属分类：其它

    • 发布日期：2017-01-16
    • 文件大小：801kb
    • 提供者：liudaxia1990

  1. 图像处理与CNN.pptx

  2. 关于图像处理，简单的介绍，以人脸的发展为例子，传统方法、机器学习和深度学习的理解思考，希望有所帮助。

  3. 所属分类：深度学习

    • 发布日期：2020-10-16
    • 文件大小：9mb
    • 提供者：sprd_xiaoqi

  1. CNN发展

  2. 参考： CNN系列模型发展简述（附github代码——已全部跑通） – KevinCK的文章 – 知乎 https://zhuanlan.zhihu.com/p/66215918 演变 LeNet：2个卷积3个全连接，最早用于数字识别 AlexNet：12年ImageNet冠军，5个卷积3个全连接，多个小卷积代替单一大卷积；使用ReLU激活函数，解决梯度小数问题；引入dropout避免模型过拟合；最大池化。 ZF-Net：13年ImageNet冠军，只用了一块 GPU 的稠密连接结构；将Alex

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：577kb
    • 提供者：weixin_38548817

  1. MaskR-CNN详解

  2. 本文来自csdn，文章主要分析了ROIPool的不足，将实例分割分解为分类和mask生成两个分支及并行进行分类和mask生成任务。图1MaskR-CNN整体架构MaskR-CNN是一个实例分割（Instancesegmentation）算法，可以用来做“目标检测”、“目标实例分割”、“目标关键点检测”。联系：语义分割和实例分割都是目标分割中的两个小的领域，都是用来对输入的图片做分割处理；区别：图2实例分割与语义分割区别1.通常意义上的目标分割指的是语义分割，语义分割已经有很长的发展历史，已经取得

  3. 所属分类：其它

  1. 基于LSTM和CNN的音乐流客户流失预测模型

  2. 对于公司来说，要想实现持续发展，准确预测客户流失至关重要。 先前的研究已经使用许多机器学习方法来预测客户流失。 通用模型无法充分利用时间序列功能。 为了克服这个缺点，我们提出了一个基于LSTM和CNN的模型，该模型在LSTM层和卷积层之间具有跨层连接。 该模型可以同时学习潜在的顺序信息，并从时间序列特征中捕获重要的局部特征。 此外，我们介绍了一种通过在现有特征上训练XGBoost模型来构造新特征的方法。 在真实数据集上的实验结果表明，我们提出的模型比其他比较模型具有更好的性能。

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：674kb
    • 提供者：weixin_38666697

  1. 详解卷积神经网络（CNN）在语音识别中的应用

  2. 总结目前语音识别的发展现状，dnn、rnn/lstm和cnn算是语音识别中几个比较主流的方向。2012年，微软邓力和俞栋老师将前馈神经网络FFDNN（FeedForwardDeepNeuralNetwork）引入到声学模型建模中，将FFDNN的输出层概率用于替换之前GMM-HMM中使用GMM计算的输出概率，引领了DNN-HMM混合系统的风潮。长短时记忆网络（LSTM，LongShortTermMemory）可以说是目前语音识别应用最广泛的一种结构，这种网络能够对语音的长时相关性进行建模，从而提高

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：397kb
    • 提供者：weixin_38702726

  1. 实例分割模型MaskR-CNN详解

  2. 本文来自于csdn，本文主要概述一下R-CNN是如何采用卷积神经网络进行目标检测的工作，希望会对您的学习有所帮助。MaskR-CNN是ICCV2017的bestpaper，彰显了机器学习计算机视觉领域在2017年的最新成果。在机器学习2017年的最新发展中，单任务的网络结构已经逐渐不再引人瞩目，取而代之的是集成，复杂，一石多鸟的多任务网络模型。MaskR-CNN就是典型的代表。大家可以看到，在实例分割MaskR-CNN框架中，还是主要完成了三件事情：1)目标检测，直接在结果图上绘制了目标框(bo

  3. 所属分类：其它

  1. CNN-Numpy-Implementation：手动实现卷积神经网络，而无需使用诸如pytorch和tensorflow之类的现代库-源码

  2. CNN-Numpy-实施 手动实现卷积神经网络，而无需使用诸如pytorch和tensorflow之类的现代库。 换句话说，我从头开始构建了一个神经网络，其中涉及实现正向和反向传播。 我手动编写了反向传播代码，并使用numpy手动实现了每一层的偏导数。 我在这里使用的方程式示例可以在这里找到。 E.Bendersky（2016年10月28日）。 Softmax函数及其导数。 取自 我最完善，最成功的网络是跟踪多个功能的多元回归CNN。 它可以正确确定两个图像之间的形状数量差异以及是否存在反射

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：307mb
    • 提供者：weixin_42099936

  1. CS9860FinalProject：CS 9860高级机器学习的最终项目。 西方大学。 使用CNN通过热传感器识别智能家居中的人-源码

  2. 在智能家居中检测人的存在 通过将卷积神经网络与廉价热传感器结合使用来识别房间的占用情况 注意： 为了学习和挑战自我，我尽可能地从头开始对此项目进行编码，而不是使用现有的库。 结果，可能很难遵循。 我计划对该存储库进行重构，以使代码库遵循行业标准惯例，就像我在CS9637项目存储库中对代码库所做的一样。 由于具有物联网功能和基于人工智能的功能的现成产品的发展，智能家居技术在过去的二十年中经历了快速的增长。 在智能家居中提供基本功能的核心要求通常围绕以房间为单位或在更大范围内（例如人们是在家还是

  3. 所属分类：其它

    • 发布日期：2021-02-08
    • 文件大小：29mb
    • 提供者：weixin_42116650

  1. 详解卷积神经网络（CNN）在语音识别中的应用

  2. 总结目前语音识别的发展现状，dnn、rnn/lstm和cnn算是语音识别中几个比较主流的方向。2012年，微软邓力和俞栋老师将前馈神经网络FFDNN（FeedForwardDeepNeuralNetwork）引入到声学模型建模中，将FFDNN的输出层概率用于替换之前GMM-HMM中使用GMM计算的输出概率，引领了DNN-HMM混合系统的风潮。长短时记忆网络（LSTM，LongShortTermMemory）可以说是目前语音识别应用最广泛的一种结构，这种网络能够对语音的长时相关性进行建模，从而提高

  3. 所属分类：其它

    • 发布日期：2021-02-02
    • 文件大小：397kb
    • 提供者：weixin_38730840

  1. 实例分割模型MaskR-CNN详解

  2. 本文来自于csdn，本文主要概述一下R-CNN是如何采用卷积神经网络进行目标检测的工作，希望会对您的学习有所帮助。MaskR-CNN是ICCV2017的bestpaper，彰显了机器学习计算机视觉领域在2017年的最新成果。在机器学习2017年的最新发展中，单任务的网络结构已经逐渐不再引人瞩目，取而代之的是集成，复杂，一石多鸟的多任务网络模型。Mask R-CNN就是典型的代表。 大家可以看到，在实例分割MaskR-CNN框架中，还是主要完成了三件事情：

  3. 所属分类：其它

  1. Mask R-CNN阅读总结

  2. Mask R-CNN论文阅读笔记 三个重要概念的区别 物体检测，语义分割，实例分割三者之间的区别 物体检测（object detection）的目标是确定每个物体的类别，并用bounding box标记出每个物体的位置。 语义分割(semantic segmentation)的目标是像素级别的确定每个物体的分类及位置，但不区分同一类别的不同个体。 实例分割(instance segmentation)的目标是在语义分割的基础上进一步区分不同的实例。 论文提出背景 物体检测和语义分割的快速发展受

  3. 所属分类：其它

« 12 3 4 5 »