- 1 引言1.1 动机过去几年来，计算机视觉研究主要集中在卷积神经网络（常简称为 ConvNet 或 CNN）上。这些工作已经在广泛的分类和回归任务上实现了新的当前最佳表现。相对而言，尽管这些方法的历史可以追溯到多年前，但对这些系统得到出色结果的方式的理论理解还很滞后。事实上，当前计算机视觉领域的很多成果都是将 CNN 当作黑箱使用，这种做法是有效的，但其有效的原因却非常模糊不清，这严重满足不... 1 引言1.1 动机过去几年来，计算机视觉研究主要集中在卷积神经网络（常简称为 ConvNet 或 CNN）上。这些工作已经在广泛的分类和回归任务上实现了新的当前最佳表现。相对而言，尽管这些方法的历史可以追溯到多年前，但对这些系统得到出色结果的方式的理论理解还很滞后。事实上，当前计算机视觉领域的很多成果都是将 CNN 当作黑箱使用，这种做法是有效的，但其有效的原因却非常模糊不清，这严重满足不...
- 本文介绍由美国生物科技公司Calico Life Sciences的Han Yuan 和 David R. Kelley共同通讯发表在 Nature methods 的研究成果：单细胞ATAC-seq（scATAC）在研究表观遗传景观中的细胞异质性方面具有巨大前景，但由于数据高维性和稀疏性的特点，scATAC的分析仍然面临重大挑战... 本文介绍由美国生物科技公司Calico Life Sciences的Han Yuan 和 David R. Kelley共同通讯发表在 Nature methods 的研究成果：单细胞ATAC-seq（scATAC）在研究表观遗传景观中的细胞异质性方面具有巨大前景，但由于数据高维性和稀疏性的特点，scATAC的分析仍然面临重大挑战...
- 更传统的机器学习算法可以在ee.Classifier下找到，需要点数据作为输入。 对于卷积神经网络，我们需要图像。图像块应包含图像和标签。 陆地卫星图像和云、阴影和水的标签。 在这里以 SPARCS 数据集为例。数据可以在下面的网站上找到。 ... 更传统的机器学习算法可以在ee.Classifier下找到，需要点数据作为输入。 对于卷积神经网络，我们需要图像。图像块应包含图像和标签。 陆地卫星图像和云、阴影和水的标签。 在这里以 SPARCS 数据集为例。数据可以在下面的网站上找到。 ...
- 卷积神经网络简介 我们将深入讲解卷积神经网络的原理，以及它在计算机视觉任务上为什么如此成功。但在此之前，我们先来看一个简单的卷积神经网络示例，即使用卷积神经网络对 MNIST 数字进行分类，这个任务我们在第 2 章用密集连接网络做过（当时的测试精度为 97.8%）。虽然本例中的卷积神经网络很简单，但其精度肯定会超过第 2 章的密集连接... 卷积神经网络简介 我们将深入讲解卷积神经网络的原理，以及它在计算机视觉任务上为什么如此成功。但在此之前，我们先来看一个简单的卷积神经网络示例，即使用卷积神经网络对 MNIST 数字进行分类，这个任务我们在第 2 章用密集连接网络做过（当时的测试精度为 97.8%）。虽然本例中的卷积神经网络很简单，但其精度肯定会超过第 2 章的密集连接...
- 卷积神经网络基础 我们介绍卷积神经网络的卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义。 import torch from torch.autograd import Variable ... 卷积神经网络基础 我们介绍卷积神经网络的卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义。 import torch from torch.autograd import Variable ...
- 一、研究背景 研究鸟类鸣声有利于人们掌握其繁殖行为和生活习性等生命活动规律,从而更好地开发和利用经济鸟类,更有效保护濒危珍稀类。随着我国经济的高速发展,生态问题越来越受到重视。由于发展经济的需要,如今很... 一、研究背景 研究鸟类鸣声有利于人们掌握其繁殖行为和生活习性等生命活动规律,从而更好地开发和利用经济鸟类,更有效保护濒危珍稀类。随着我国经济的高速发展,生态问题越来越受到重视。由于发展经济的需要,如今很...
- 一、垂直边缘检测 1、图片如果是黑白的就是像素*像素*1，如果是彩色的就是像素*像素*3【后面数字是维度】3表示RGB 对图片进行卷积运算 如图所示，6x6的图片*3x3的图片=4x4的图片，计算过程如下图： 4x4每个元素的计算是把3x3的矩阵一行一行的覆盖在6x6的矩阵上，大图片每一列的元素乘以小图片的每一列然后相加... 一、垂直边缘检测 1、图片如果是黑白的就是像素*像素*1，如果是彩色的就是像素*像素*3【后面数字是维度】3表示RGB 对图片进行卷积运算 如图所示，6x6的图片*3x3的图片=4x4的图片，计算过程如下图： 4x4每个元素的计算是把3x3的矩阵一行一行的覆盖在6x6的矩阵上，大图片每一列的元素乘以小图片的每一列然后相加...
- 下面是博主认为解读st-gcn论文里两篇写的非常不错的文章，特此摘录下来以飨读者。 解读一：https://zhoef.com/2019/08/24/14_ST-Gcn/ 解读二：https://www.cnblogs.com/shyern/p/11262926.html#_label3_1 下面是博主认为解读st-gcn论文里两篇写的非常不错的文章，特此摘录下来以飨读者。 解读一：https://zhoef.com/2019/08/24/14_ST-Gcn/ 解读二：https://www.cnblogs.com/shyern/p/11262926.html#_label3_1
- 一图片识别为例来介绍一下个人理解：卷积是为了来得到特征值得，那么卷积的工作原理是什么呢？好吧就是你想的那样，卷积核运算正是卷积工作来提取特征（即图片的边缘轮廓）的原理 借用吴恩达老师的一张图 * * ... 一图片识别为例来介绍一下个人理解：卷积是为了来得到特征值得，那么卷积的工作原理是什么呢？好吧就是你想的那样，卷积核运算正是卷积工作来提取特征（即图片的边缘轮廓）的原理 借用吴恩达老师的一张图 * * ...
- 简 介： 本文选取了2021年人工神经网络第四次作业学生提交的作业。供交流使用。 关键词： 人工神经网络 ... 简 介： 本文选取了2021年人工神经网络第四次作业学生提交的作业。供交流使用。 关键词： 人工神经网络 ...
- 在前面我们讲述了DNN的模型与前向反向传播算法。而在DNN大类中，卷积神经网络(Convolutional Neural Networks，以下简称CNN)是最为成功的DNN特例之一。CNN广泛的应用于图像识别，当然现在也应用于NLP等其他领域，本文我们就对CNN的模型结构做一个总结。 在学习CNN前，推荐大家先学习DNN的... 在前面我们讲述了DNN的模型与前向反向传播算法。而在DNN大类中，卷积神经网络(Convolutional Neural Networks，以下简称CNN)是最为成功的DNN特例之一。CNN广泛的应用于图像识别，当然现在也应用于NLP等其他领域，本文我们就对CNN的模型结构做一个总结。 在学习CNN前，推荐大家先学习DNN的...
- 在卷积神经网络(CNN)模型结构中，我们对CNN的模型结构做了总结，这里我们就在CNN的模型基础上，看看CNN的前向传播算法是什么样子的。重点会和传统的DNN比较讨论。 1. 回顾CNN的结构 在上一篇里，我们已经讲到了CNN的结构，包括输出层，若干的卷积层+ReLU激活函数，若干的池化层，DNN全连接层，以及最后的用So... 在卷积神经网络(CNN)模型结构中，我们对CNN的模型结构做了总结，这里我们就在CNN的模型基础上，看看CNN的前向传播算法是什么样子的。重点会和传统的DNN比较讨论。 1. 回顾CNN的结构 在上一篇里，我们已经讲到了CNN的结构，包括输出层，若干的卷积层+ReLU激活函数，若干的池化层，DNN全连接层，以及最后的用So...
- 在卷积神经网络(CNN)前向传播算法中，我们对CNN的前向传播算法做了总结，基于CNN前向传播算法的基础，我们下面就对CNN的反向传播算法做一个总结。在阅读本文前，建议先研究DNN的反向传播算法：深度神经网络（DNN）反向传播算法(BP) 1. 回顾DNN的反向传播算法 我们首先回顾DNN的反向传播算法。在DNN中，我们是... 在卷积神经网络(CNN)前向传播算法中，我们对CNN的前向传播算法做了总结，基于CNN前向传播算法的基础，我们下面就对CNN的反向传播算法做一个总结。在阅读本文前，建议先研究DNN的反向传播算法：深度神经网络（DNN）反向传播算法(BP) 1. 回顾DNN的反向传播算法 我们首先回顾DNN的反向传播算法。在DNN中，我们是...
- 在卷积神经网络(CNN)模型结构中，我们对CNN的模型结构做了总结，这里我们就在CNN的模型基础上，看看CNN的前向传播算法是什么样子的。重点会和传统的DNN比较讨论。 1. 回顾CNN的结构 在上一篇里，我们已经讲到了CNN的结构，包括输出层，若干的卷积层+ReLU激活函数，若干的池化层，DNN全连接层，以及最后的用So... 在卷积神经网络(CNN)模型结构中，我们对CNN的模型结构做了总结，这里我们就在CNN的模型基础上，看看CNN的前向传播算法是什么样子的。重点会和传统的DNN比较讨论。 1. 回顾CNN的结构 在上一篇里，我们已经讲到了CNN的结构，包括输出层，若干的卷积层+ReLU激活函数，若干的池化层，DNN全连接层，以及最后的用So...
- 以图像分类任务为例，在下表所示卷积神经网络中，一般包含5种类型的网络层次结构： CNN层次结构输出尺寸作用输入层 W1×H1×3 卷积网络的原始输入，可以是原始或预处理后的像素矩阵卷积层W1×H1×K参数共享、局部连接，利用平移不变性从全局特征图提取局部特征激活层W1×H1×K将卷积层的输出结果进行非线性映射池化层W2×H2×K进一步... 以图像分类任务为例，在下表所示卷积神经网络中，一般包含5种类型的网络层次结构： CNN层次结构输出尺寸作用输入层 W1×H1×3 卷积网络的原始输入，可以是原始或预处理后的像素矩阵卷积层W1×H1×K参数共享、局部连接，利用平移不变性从全局特征图提取局部特征激活层W1×H1×K将卷积层的输出结果进行非线性映射池化层W2×H2×K进一步...
上滑加载中
推荐直播
-
香橙派AIpro的远程推理框架与实验案例2025/07/04 周五 19:00-20:00
郝家胜 -华为开发者布道师-高校教师
AiR推理框架创新采用将模型推理与模型应用相分离的机制，把香橙派封装为AI推理黑盒服务，构建了分布式远程推理框架，并提供多种输入模态、多种输出方式以及多线程支持的高度复用框架，解决了开发板环境配置复杂上手困难、缺乏可视化体验和资源稀缺课程受限等痛点问题，真正做到开箱即用，并支持多种笔记本电脑环境、多种不同编程语言，10行代码即可体验图像分割迁移案例。
回顾中 -
鸿蒙端云一体化应用开发2025/07/10 周四 19:00-20:00
倪红军 华为开发者布道师-高校教师
基于鸿蒙平台终端设备的应用场景越来越多、使用范围越来越广。本课程以云数据库服务为例，介绍云侧项目应用的创建、新建对象类型、新增存储区及向对象类型中添加数据对象的方法，端侧（HarmonyOS平台）一体化工程项目的创建、云数据资源的关联方法及对云侧数据的增删改查等操作方法，为开发端云一体化应用打下坚实基础。
即将直播
热门标签