- 使用很少的数据来训练一个图像分类模型，这是很常见的情况，如果你要从事计算机视觉方面的职业，很可能会在实践中遇到这种情况。“很少的”样本可能是几百张图像，也可能是几万张图像。来看一个实例，我们将重点讨论猫狗图像分类，数据集中包含 4000 张猫和狗的图像（2000 张猫的图像，2000 张狗的图像）。我们将 2000 张图像用于训练，10... 使用很少的数据来训练一个图像分类模型，这是很常见的情况，如果你要从事计算机视觉方面的职业，很可能会在实践中遇到这种情况。“很少的”样本可能是几百张图像，也可能是几万张图像。来看一个实例，我们将重点讨论猫狗图像分类，数据集中包含 4000 张猫和狗的图像（2000 张猫的图像，2000 张狗的图像）。我们将 2000 张图像用于训练，10...
- 想要将深度学习应用于小型图像数据集，一种常用且非常高效的方法是使用预训练网络。 预训练网络（pretrained network）是一个保存好的网络，之前已在大型数据集（通常是大规模图像分类任务）上训练好。如果这个原始数据集足够大且足够通用，那么预训练网络学到的特征的空间层次结构可以有效地作为视觉世界的通用模型，因此这些特征可用于各种不... 想要将深度学习应用于小型图像数据集，一种常用且非常高效的方法是使用预训练网络。 预训练网络（pretrained network）是一个保存好的网络，之前已在大型数据集（通常是大规模图像分类任务）上训练好。如果这个原始数据集足够大且足够通用，那么预训练网络学到的特征的空间层次结构可以有效地作为视觉世界的通用模型，因此这些特征可用于各种不...
- 本文介绍了 Inception 家族的主要成员，包括 Inception v1、Inception v2 、Inception v3、Inception v4 和 Inception-ResNet。它们的计算效率与参数效率在所有卷积架构中都是顶尖的。 Inception 网络是CNN分类器发展史上一个重要的里程碑。在 Inc... 本文介绍了 Inception 家族的主要成员，包括 Inception v1、Inception v2 、Inception v3、Inception v4 和 Inception-ResNet。它们的计算效率与参数效率在所有卷积架构中都是顶尖的。 Inception 网络是CNN分类器发展史上一个重要的里程碑。在 Inc...
- 论文题目：FeaturePyramidNetworksforObjectDetection论文链接：https://arxiv.org/abs/1612.03144 所要解决的问题 针对小目标检测... 论文题目：FeaturePyramidNetworksforObjectDetection论文链接：https://arxiv.org/abs/1612.03144 所要解决的问题 针对小目标检测...
- 论文题目：Recurrent Models of Visual Attention 论文链接：http://www.oalib.com/paper/4082117 作者及单位 研究目标 研究如何减少图像相关任务的计算量, 提出通过使用attention based RNN模型建立序列模型(recurrent attenti... 论文题目：Recurrent Models of Visual Attention 论文链接：http://www.oalib.com/paper/4082117 作者及单位 研究目标 研究如何减少图像相关任务的计算量, 提出通过使用attention based RNN模型建立序列模型(recurrent attenti...
- 本文翻译自http://galaxy.agh.edu.pl/~vlsi/AI/backp_t_en/backprop.html，大概介绍下反向传播的基本原理。 本文旨在描述反向传播算法在多层神经... 本文翻译自http://galaxy.agh.edu.pl/~vlsi/AI/backp_t_en/backprop.html，大概介绍下反向传播的基本原理。 本文旨在描述反向传播算法在多层神经...
- 目标跟踪论文一般提到VGG-M神经网络，也就是CNN-M神经网络，其出处是论文《Return of the Devil in the Details: Delving Deep into Convolutional Nets》，其定义如下： 其架构包含5个卷积层和3个全连接层，它的特点是第一个卷积层的步幅减小和感受野较小，这在ILSV... 目标跟踪论文一般提到VGG-M神经网络，也就是CNN-M神经网络，其出处是论文《Return of the Devil in the Details: Delving Deep into Convolutional Nets》，其定义如下： 其架构包含5个卷积层和3个全连接层，它的特点是第一个卷积层的步幅减小和感受野较小，这在ILSV...
- 一、神经网络前向传播公式推导 这样设计的原因：第一是这种一致的完全连接形式事实上可以相对容易地编码成计算机指令，第二是神经网络的学习过程将会弱化这些实际上不需要的连接（也就是这些连接的权重将趋近于0），因此对于解决特定任 务所需最小数量的连接冗余几个连接，也无伤大雅。 这意味着，随着神经网络学习过程的进行，神经网络通过调整优化网... 一、神经网络前向传播公式推导 这样设计的原因：第一是这种一致的完全连接形式事实上可以相对容易地编码成计算机指令，第二是神经网络的学习过程将会弱化这些实际上不需要的连接（也就是这些连接的权重将趋近于0），因此对于解决特定任 务所需最小数量的连接冗余几个连接，也无伤大雅。 这意味着，随着神经网络学习过程的进行，神经网络通过调整优化网...
- 对于监督分类，可视化每个类别的每个波段的平均光谱响应很有用。此类图表称为光谱响应曲线或光谱特征。此类图表有助于确定类的可分离性。如果类具有非常不同的签名，分类器将能够很好地将它们分开。 我们还可以绘制一个类的所有训练样本的光谱特征并检查训练数据集的质量。如果所有训练样本都显示相似的特征，则表明您在收集适当的样本方面做得很好。您还可以从... 对于监督分类，可视化每个类别的每个波段的平均光谱响应很有用。此类图表称为光谱响应曲线或光谱特征。此类图表有助于确定类的可分离性。如果类具有非常不同的签名，分类器将能够很好地将它们分开。 我们还可以绘制一个类的所有训练样本的光谱特征并检查训练数据集的质量。如果所有训练样本都显示相似的特征，则表明您在收集适当的样本方面做得很好。您还可以从...
- 手写字体识别模型LeNet5诞生于1994年，是最早的卷积神经网络之一。LeNet5通过巧妙的设计，利用卷积、参数共享、池化等操作提取特征，避免了大量的计算成本，最后再使用全连接神经网络进行分类识别，这个网络也是最近大量神经网络架构的起点。虽然现在看来Lenet基本实际用处不大，而且架构现在基本也没人用了，但是可以作为神经网络架构的一个... 手写字体识别模型LeNet5诞生于1994年，是最早的卷积神经网络之一。LeNet5通过巧妙的设计，利用卷积、参数共享、池化等操作提取特征，避免了大量的计算成本，最后再使用全连接神经网络进行分类识别，这个网络也是最近大量神经网络架构的起点。虽然现在看来Lenet基本实际用处不大，而且架构现在基本也没人用了，但是可以作为神经网络架构的一个...
- 论文题目①：BAM: Bottleneck Attention Module论文题目②：CBAM：CBAM: Convolutional Block Attention Module Bottlenet... 论文题目①：BAM: Bottleneck Attention Module论文题目②：CBAM：CBAM: Convolutional Block Attention Module Bottlenet...
- 论文题目：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications 论文链接：https://arxiv.org/abs/1704.04861 论文研究目标 提出了一种深度模型加速的算法，可以在基本不影响准确率的前提下... 论文题目：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications 论文链接：https://arxiv.org/abs/1704.04861 论文研究目标 提出了一种深度模型加速的算法，可以在基本不影响准确率的前提下...
- 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...
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