- 目标检测是计算机视觉的重要任务，旨在识别图像或视频中的目标及其类别。早期依赖滑动窗口和人工特征（如HOG、SIFT），结合SVM等分类器，但计算量大、精度有限。随着深度学习兴起，R-CNN系列（R-CNN、Fast R-CNN、Faster R-CNN）逐步引入CNN和区域提议网络（RPN），显著提升速度和精度。YOLO系列（v1-v8）将检测视为回归问题，直接预测边界框和类别，以速度快著称。 目标检测是计算机视觉的重要任务，旨在识别图像或视频中的目标及其类别。早期依赖滑动窗口和人工特征（如HOG、SIFT），结合SVM等分类器，但计算量大、精度有限。随着深度学习兴起，R-CNN系列（R-CNN、Fast R-CNN、Faster R-CNN）逐步引入CNN和区域提议网络（RPN），显著提升速度和精度。YOLO系列（v1-v8）将检测视为回归问题，直接预测边界框和类别，以速度快著称。
- 前言 transformer是目前NLP甚至是整个深度学习领域不能不提到的框架，同时大部分LLM也是使用其进行训练生成模型，所以transformer几乎是目前每一个机器人开发者或者人工智能开发者不能越过的一个框架。接下来本文将从顶层往下去一步步掀开transformer的面纱。 transformer概述 Transformer模型来自论文Attention Is All You Need 前言 transformer是目前NLP甚至是整个深度学习领域不能不提到的框架，同时大部分LLM也是使用其进行训练生成模型，所以transformer几乎是目前每一个机器人开发者或者人工智能开发者不能越过的一个框架。接下来本文将从顶层往下去一步步掀开transformer的面纱。 transformer概述 Transformer模型来自论文Attention Is All You Need
- 在计算机视觉中，理解图像动态场景并捕捉时间变化信息极具挑战。LSTM作为一种深度学习模型，通过将图像帧序列化并结合CNN提取的空间特征，有效捕捉帧间的时间依赖关系。LSTM的门控机制（遗忘门、输入门和输出门）能智能处理图像序列中的信息，过滤无关数据，保留关键变化。该方法广泛应用于自动驾驶、视频监控及虚拟现实等领域，提升了动态场景的理解与预测能力。 在计算机视觉中，理解图像动态场景并捕捉时间变化信息极具挑战。LSTM作为一种深度学习模型，通过将图像帧序列化并结合CNN提取的空间特征，有效捕捉帧间的时间依赖关系。LSTM的门控机制（遗忘门、输入门和输出门）能智能处理图像序列中的信息，过滤无关数据，保留关键变化。该方法广泛应用于自动驾驶、视频监控及虚拟现实等领域，提升了动态场景的理解与预测能力。
- 震撼发布！让你的电脑智商飙升，DeepSeek-R1+Ollama+ChatboxAI合体教程，打造私人智能神器！ 震撼发布！让你的电脑智商飙升，DeepSeek-R1+Ollama+ChatboxAI合体教程，打造私人智能神器！
- 逆天改变！VSCode+Cline+DeepSeek-V3，编程界的新王者就是你 逆天改变！VSCode+Cline+DeepSeek-V3，编程界的新王者就是你
- 神经架构搜索（NAS）在卷积神经网络（CNN）领域掀起革新，自动化生成最优架构，改变传统设计方式。其特点包括扩展搜索空间、优化搜索策略、提升性能、模型压缩及跨领域应用。NAS发现了超越人工设计的高性能架构，如EfficientNet，并在图像分类、目标检测和分割中取得显著成果。尽管面临计算资源消耗大和可解释性差的挑战，NAS仍为CNN的发展带来重大突破，推动深度学习广泛应用。 神经架构搜索（NAS）在卷积神经网络（CNN）领域掀起革新，自动化生成最优架构，改变传统设计方式。其特点包括扩展搜索空间、优化搜索策略、提升性能、模型压缩及跨领域应用。NAS发现了超越人工设计的高性能架构，如EfficientNet，并在图像分类、目标检测和分割中取得显著成果。尽管面临计算资源消耗大和可解释性差的挑战，NAS仍为CNN的发展带来重大突破，推动深度学习广泛应用。
- 自注意力卷积神经网络融合了自注意力机制和卷积神经网络的优势，通过在特征图上动态分配注意力权重，捕捉长距离依赖关系。它不仅提升了局部特征提取能力，还能更好地理解全局结构与语义信息，在图像识别、自然语言处理等任务中表现出色。此外，该模型计算效率高、灵活性强、适应性广，并且易于扩展与其他技术结合，具有广泛的应用前景。 自注意力卷积神经网络融合了自注意力机制和卷积神经网络的优势，通过在特征图上动态分配注意力权重，捕捉长距离依赖关系。它不仅提升了局部特征提取能力，还能更好地理解全局结构与语义信息，在图像识别、自然语言处理等任务中表现出色。此外，该模型计算效率高、灵活性强、适应性广，并且易于扩展与其他技术结合，具有广泛的应用前景。
- 在人工智能发展中，处理复杂时序图像/视频数据是难题。CNN擅长提取图像空间特征（如物体形状、位置），RNN/LSTM则善于捕捉时间依赖关系，解决长序列数据的梯度问题。两者结合，先用CNN提取每帧图像特征，再通过RNN/LSTM分析时间变化，可高效处理视频动作识别、自动驾驶等任务，融合空间与时序优势，展现巨大应用潜力。 在人工智能发展中，处理复杂时序图像/视频数据是难题。CNN擅长提取图像空间特征（如物体形状、位置），RNN/LSTM则善于捕捉时间依赖关系，解决长序列数据的梯度问题。两者结合，先用CNN提取每帧图像特征，再通过RNN/LSTM分析时间变化，可高效处理视频动作识别、自动驾驶等任务，融合空间与时序优势，展现巨大应用潜力。
- 残差连接通过引入“短路”连接，解决了深度卷积神经网络（CNN）中随层数增加而出现的梯度消失和退化问题。它使网络学习输入与输出之间的残差，而非直接映射，从而加速训练、提高性能，并允许网络学习更复杂的特征。这一设计显著提升了深度学习在图像识别等领域的应用效果。 残差连接通过引入“短路”连接，解决了深度卷积神经网络（CNN）中随层数增加而出现的梯度消失和退化问题。它使网络学习输入与输出之间的残差，而非直接映射，从而加速训练、提高性能，并允许网络学习更复杂的特征。这一设计显著提升了深度学习在图像识别等领域的应用效果。
- 卷积神经网络（CNN）在图像识别等领域取得巨大成功，但实际上采用的是互相关运算而非严格意义上的卷积。互相关省去了滤波器翻转步骤，提高了计算效率，且在特征提取上与卷积效果相似。早期研究中未严格区分两者，沿用了“卷积”一词。尽管存在细微差异，这种称呼在大多数应用场景下是合理的，但在理论推导和高精度应用中需明确区分。 卷积神经网络（CNN）在图像识别等领域取得巨大成功，但实际上采用的是互相关运算而非严格意义上的卷积。互相关省去了滤波器翻转步骤，提高了计算效率，且在特征提取上与卷积效果相似。早期研究中未严格区分两者，沿用了“卷积”一词。尽管存在细微差异，这种称呼在大多数应用场景下是合理的，但在理论推导和高精度应用中需明确区分。
- PyTorch 实现MobileNetV1用于图像分类本实验主要介绍了如何在昇腾上，使用pytorch对经典的MobileNetV1模型在公开的CIFAR10数据集进行分类训练的实战讲解。内容包括MobileNetV1模型特点介绍 、MobileNetV1网络架构剖析 与MobileNetV1网络模型代码实战分析等等。本实验的目录结构安排如下所示：MobileNetV1网络模型介绍Mobi... PyTorch 实现MobileNetV1用于图像分类本实验主要介绍了如何在昇腾上，使用pytorch对经典的MobileNetV1模型在公开的CIFAR10数据集进行分类训练的实战讲解。内容包括MobileNetV1模型特点介绍 、MobileNetV1网络架构剖析 与MobileNetV1网络模型代码实战分析等等。本实验的目录结构安排如下所示：MobileNetV1网络模型介绍Mobi...
- 转置卷积（反卷积）是深度学习中用于上采样的重要操作，通过在输入间插入零填充以放大特征图。它广泛应用于图像生成、语义分割、超分辨率重建和CNN可视化等领域，能够学习更优的上采样方式。尽管计算成本较高且可能引入伪像，但其在多个任务中发挥着关键作用，并随着技术发展不断优化。 转置卷积（反卷积）是深度学习中用于上采样的重要操作，通过在输入间插入零填充以放大特征图。它广泛应用于图像生成、语义分割、超分辨率重建和CNN可视化等领域，能够学习更优的上采样方式。尽管计算成本较高且可能引入伪像，但其在多个任务中发挥着关键作用，并随着技术发展不断优化。
- 卷积神经网络（CNN）中的权重共享和局部连接是其核心特性。权重共享通过同一卷积核在不同位置使用相同权重，减少参数量并提高泛化能力；局部连接则使每个神经元仅与输入的局部区域相连，专注于提取局部特征。两者相辅相成，显著降低计算复杂度，增强对空间结构的感知，使CNN在图像识别等领域表现出色。 卷积神经网络（CNN）中的权重共享和局部连接是其核心特性。权重共享通过同一卷积核在不同位置使用相同权重，减少参数量并提高泛化能力；局部连接则使每个神经元仅与输入的局部区域相连，专注于提取局部特征。两者相辅相成，显著降低计算复杂度，增强对空间结构的感知，使CNN在图像识别等领域表现出色。
- 全连接层在卷积神经网络（CNN）中起着桥梁作用，将卷积层和池化层提取的局部特征整合为全局特征，实现分类或回归任务。每个神经元与前一层所有神经元相连，通过权重和偏置进行特征转换，并引入激活函数以增强非线性建模能力。尽管参数量大易导致过拟合，但可通过正则化、Dropout和批标准化等技术有效应对，从而提升模型性能。 全连接层在卷积神经网络（CNN）中起着桥梁作用，将卷积层和池化层提取的局部特征整合为全局特征，实现分类或回归任务。每个神经元与前一层所有神经元相连，通过权重和偏置进行特征转换，并引入激活函数以增强非线性建模能力。尽管参数量大易导致过拟合，但可通过正则化、Dropout和批标准化等技术有效应对，从而提升模型性能。
- 感受野是卷积神经网络（CNN）中关键概念，指神经元在输入数据中对应的区域大小。它影响模型对特征的捕捉能力，决定局部与全局特征的提取。单层卷积的感受野由卷积核大小、步长和填充决定；多层卷积时感受野会逐层累加扩大。合适感受野能提升模型性能，过大或过小都会影响效果。调整感受野可通过改变卷积核大小、步长或使用空洞卷积实现。深入理解感受野有助于优化CNN设计，推动AI技术发展。 感受野是卷积神经网络（CNN）中关键概念，指神经元在输入数据中对应的区域大小。它影响模型对特征的捕捉能力，决定局部与全局特征的提取。单层卷积的感受野由卷积核大小、步长和填充决定；多层卷积时感受野会逐层累加扩大。合适感受野能提升模型性能，过大或过小都会影响效果。调整感受野可通过改变卷积核大小、步长或使用空洞卷积实现。深入理解感受野有助于优化CNN设计，推动AI技术发展。
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签