- 代码：https://github.com/4uiiurz1/pytorch-deform-conv-v2 https://github.com/msracver/Deformable-ConvNets. 卷积神经网络（CNNs）由于其固定的几何结构而固有地局限于模型几何变换。 在这项工作中，我们引入两个新的模块来增强CNN的变换建模能力... 代码：https://github.com/4uiiurz1/pytorch-deform-conv-v2 https://github.com/msracver/Deformable-ConvNets. 卷积神经网络（CNNs）由于其固定的几何结构而固有地局限于模型几何变换。 在这项工作中，我们引入两个新的模块来增强CNN的变换建模能力...
- BP神经网络与卷积神经网络（CNN） 1、BP神经网络 1.1 神经网络基础 神经网络的基本组成单元是神经元。神经元的通用模型如图 1所示，其中常用的激活函数有阈值函数、sigmoid函数和双曲正切函数。 图 1 神经元模型 神经元的输出为： 神经网络是将多个神经元按一定规则联... BP神经网络与卷积神经网络（CNN） 1、BP神经网络 1.1 神经网络基础 神经网络的基本组成单元是神经元。神经元的通用模型如图 1所示，其中常用的激活函数有阈值函数、sigmoid函数和双曲正切函数。 图 1 神经元模型 神经元的输出为： 神经网络是将多个神经元按一定规则联...
- 太感谢知乎的大牛了，看了他们聪明的解释之后，心里豁然开朗了， 原文：https://www.zhihu.com/question/22298352 从数学上讲，卷积就是一种运算，和加、减、乘、除一样，只是更抽象一点 卷积的重要的物理意义是：一个函数（如：单位响应）在另一个函数（如：输入信号）上的 太感谢知乎的大牛了，看了他们聪明的解释之后，心里豁然开朗了， 原文：https://www.zhihu.com/question/22298352 从数学上讲，卷积就是一种运算，和加、减、乘、除一样，只是更抽象一点 卷积的重要的物理意义是：一个函数（如：单位响应）在另一个函数（如：输入信号）上的
- 2、拉普拉斯金字塔融合 图像金字塔方法的原理是：将参加融合的的每幅图像分解为多尺度的金字塔图像序列，将低分辨率的图像在上层，高分辨率的图像在下层，上层图像的大小为前一层图像大小的1/4。层数为0,1,2……N。将所有图像的金字塔在相应层上以一定的规则融合，就可得到合成金字塔，再将该合成金字塔按照金字塔生成的逆过程进行重构，得到融合金字塔。这个总的思路就是一下所有基于... 2、拉普拉斯金字塔融合 图像金字塔方法的原理是：将参加融合的的每幅图像分解为多尺度的金字塔图像序列，将低分辨率的图像在上层，高分辨率的图像在下层，上层图像的大小为前一层图像大小的1/4。层数为0,1,2……N。将所有图像的金字塔在相应层上以一定的规则融合，就可得到合成金字塔，再将该合成金字塔按照金字塔生成的逆过程进行重构，得到融合金字塔。这个总的思路就是一下所有基于...
- MXNet之网络结构搭建 网络结构搭建 1.卷积层(Convolution) 2.BN层(Batch Normalization) 3.激活层(Activation) 4.池化层(Pooling) 5.全连接层(FullyConnected) 6. 损失函数层 7.通道合并层(concat) 8.逐点相加层(element-wise-sum) 1.卷积层(Co... MXNet之网络结构搭建 网络结构搭建 1.卷积层(Convolution) 2.BN层(Batch Normalization) 3.激活层(Activation) 4.池化层(Pooling) 5.全连接层(FullyConnected) 6. 损失函数层 7.通道合并层(concat) 8.逐点相加层(element-wise-sum) 1.卷积层(Co...
- 离散卷积的计算过程是模板翻转，然后在原图像上滑动模板，把对应位置上的元素相乘后加起来，得到最终的结果。 如果不考虑翻转，这个滑动-相乘-叠加的过程就是相关操作。事实上我也一直用相关来理解卷积。在时域内可以从两个角度来理解这样做的含义。 一种是滤波，比如最简单的高斯模板，就是把模板内像素乘以不同的权值然后加起来作为模板的中心像素值，如果模板取值全为1，就是滑动平... 离散卷积的计算过程是模板翻转，然后在原图像上滑动模板，把对应位置上的元素相乘后加起来，得到最终的结果。 如果不考虑翻转，这个滑动-相乘-叠加的过程就是相关操作。事实上我也一直用相关来理解卷积。在时域内可以从两个角度来理解这样做的含义。 一种是滤波，比如最简单的高斯模板，就是把模板内像素乘以不同的权值然后加起来作为模板的中心像素值，如果模板取值全为1，就是滑动平...
- 原文 | https://ai.googleblog.com/2019/04/morphnet-towards-faster-and-smaller.html 深度神经网络（DNN）在解决图像分类、文本识别和语音转录等实际难题方面显示出卓越的效能。但是，为给定问题设计合适的 DNN 架构依然是一项具有挑战性的任务。考虑到巨大的架构搜索空间，就计算资... 原文 | https://ai.googleblog.com/2019/04/morphnet-towards-faster-and-smaller.html 深度神经网络（DNN）在解决图像分类、文本识别和语音转录等实际难题方面显示出卓越的效能。但是，为给定问题设计合适的 DNN 架构依然是一项具有挑战性的任务。考虑到巨大的架构搜索空间，就计算资...
- GoogLeNetInceptionCNN深度学习卷积神经网络 2014年，GoogLeNet和VGG是当年ImageNet挑战赛(ILSVRC14)的双雄，GoogLeNet获得了第一名、VGG获得了第二名，这两类模型结构的共同特点是层次更深了。VGG继承了LeNet以及AlexNet的一些框架结构（详见 大话CNN经典模型：VGGN... GoogLeNetInceptionCNN深度学习卷积神经网络 2014年，GoogLeNet和VGG是当年ImageNet挑战赛(ILSVRC14)的双雄，GoogLeNet获得了第一名、VGG获得了第二名，这两类模型结构的共同特点是层次更深了。VGG继承了LeNet以及AlexNet的一些框架结构（详见 大话CNN经典模型：VGGN...
- https://github.com/HuiZeng/Image-Adaptive-3DLUT 该文是香港理工大学张磊老师及其学生在图像增强领域的又一颠覆性成果。它将深度学习技术与传统3DLUT图像增强技术结合，得到了一种更灵活、更高效的图像增强技术。所提方法能够以1.66ms的速度对4K分辨率图像进行增强(硬件平台：Titan RTX GP... https://github.com/HuiZeng/Image-Adaptive-3DLUT 该文是香港理工大学张磊老师及其学生在图像增强领域的又一颠覆性成果。它将深度学习技术与传统3DLUT图像增强技术结合，得到了一种更灵活、更高效的图像增强技术。所提方法能够以1.66ms的速度对4K分辨率图像进行增强(硬件平台：Titan RTX GP...
- 机器学习（一）——K-近邻（KNN）算法 最近在看《机器学习实战》这本书，因为自己本身很想深入的了解机器学习算法，加之想学python，就在朋友的推荐之下选择了这本书进行学习。 一 . K-近邻算法（KNN）概述 最简单最初级的分类器是将全部的训练数据所对应... 机器学习（一）——K-近邻（KNN）算法 最近在看《机器学习实战》这本书，因为自己本身很想深入的了解机器学习算法，加之想学python，就在朋友的推荐之下选择了这本书进行学习。 一 . K-近邻算法（KNN）概述 最简单最初级的分类器是将全部的训练数据所对应...
- 1.model size 就是模型的大小，我们一般使用参数量parameter来衡量，注意，它的单位是个。但是由于很多模型参数量太大，所以一般取一个更方便的单位：兆(M) 来衡量。比如ResNet-152的参数量可以达到60 million = 0.0006M。有些时候，model size在实际计算时除了包含参数量以外，还包括网络架构信息和优化器... 1.model size 就是模型的大小，我们一般使用参数量parameter来衡量，注意，它的单位是个。但是由于很多模型参数量太大，所以一般取一个更方便的单位：兆(M) 来衡量。比如ResNet-152的参数量可以达到60 million = 0.0006M。有些时候，model size在实际计算时除了包含参数量以外，还包括网络架构信息和优化器...
- 网络裁剪加速 Learning Efficient Convolutional Networks through Network Slimming ICCV2017 https://github.com/liuzhuang13/slimming CNN网络通道裁剪加速 Channel Pruning for Accelerating ... 网络裁剪加速 Learning Efficient Convolutional Networks through Network Slimming ICCV2017 https://github.com/liuzhuang13/slimming CNN网络通道裁剪加速 Channel Pruning for Accelerating ...
- 思想 一般化的跟踪问题可以分解成如下几步： 1. 在帧中，在当前位置附近采样，训练一个回归器。这个回归器能计算一个小窗口采样的响应。 2. 在帧中，在前一帧位置附近采样，用前述回归器判断每个采样的响应。 3. 响应最强的采样作为本帧位置。 循环矩阵表示图像块 在图像中，循环位移操作可以用来近似采样窗口的位移。 训练时，围绕着当前位置进行的一系列位移采样可以用二维... 思想 一般化的跟踪问题可以分解成如下几步： 1. 在帧中，在当前位置附近采样，训练一个回归器。这个回归器能计算一个小窗口采样的响应。 2. 在帧中，在前一帧位置附近采样，用前述回归器判断每个采样的响应。 3. 响应最强的采样作为本帧位置。 循环矩阵表示图像块 在图像中，循环位移操作可以用来近似采样窗口的位移。 训练时，围绕着当前位置进行的一系列位移采样可以用二维...
- groups是输入和输出的公约数 input = torch.Tensor(1, 48, 112, 112) conv_23=Conv_block(48, 32, groups=16, kernel=3, padding=1, stride=1) # conv_23 = Depth_Wise(64, 32, kernel=(3, 3), stride=(... groups是输入和输出的公约数 input = torch.Tensor(1, 48, 112, 112) conv_23=Conv_block(48, 32, groups=16, kernel=3, padding=1, stride=1) # conv_23 = Depth_Wise(64, 32, kernel=(3, 3), stride=(...
- 1.卷积参数量的计算，若卷积层的输入featuremap的维度为Cin×Hin×Win,卷积核的大小为K1×K2, padding=P1×P2, stride=S1×S2,卷积核(filter)的数量为Cout,则输出特征图的大小为Cout×Hout×Wout,其中： Hout=⌊(H−K1+2P1)/S1⌋+1 Wout=⌊(W−K2+2P2)/S2... 1.卷积参数量的计算，若卷积层的输入featuremap的维度为Cin×Hin×Win,卷积核的大小为K1×K2, padding=P1×P2, stride=S1×S2,卷积核(filter)的数量为Cout,则输出特征图的大小为Cout×Hout×Wout,其中： Hout=⌊(H−K1+2P1)/S1⌋+1 Wout=⌊(W−K2+2P2)/S2...
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