tag 卷積

標籤
貢獻30
78
05:17 PM · Nov 07 ,2025
u_15988698 頭像 u_16492348 頭像 u_13303 頭像 u_14987 頭像 u_16213698 頭像 u_16099311 頭像 u_16213582 頭像 u_16099164 頭像 u_16213673 頭像 u_56701 頭像 u_15469972 頭像 u_13360 頭像

@卷積 / 博客 RSS 訂閱

u_16099217 頭像

技術博客達人 - resnet與cnn的關係

卷積神經網絡在視覺識別任務上的表現令人稱奇。好的CNN網絡是帶有上百萬參數和許多隱含層的“龐然怪物”。事實上，一個不好的經驗規則是：網絡越深，效果越好。AlexNet，VGG，Inception和ResNet是最近一些流行的CNN網絡。為什麼這些網絡表現如此之好？它們是如何設計出來的？為什麼它們設計成那樣的結構？回答這些問題並不簡單，但是這裏我們試着去探討上面的一些問題。網絡結構

機器學習 , 卷積 , 卷積核 , resnet與cnn的關係 , 人工智能 , 特徵提取

收藏 評論

u_16213607 頭像

mob64ca13fe1aa6 - 人工智能學習筆記----01_hhh江月的技術博客

Deep Learning 基礎知識 Loss Function: MSE(mean square error loss)（均方誤差） CEE(cross entropy error loss)（交叉熵誤差） Backward: Sigmoid: ReLU:（分

卷積 , 大數據 , 激活函數 , hadoop , 全連接

收藏 評論

u_14499 頭像

coolfengsy - YOLOv8 深度解析！一文看懂，快速上手實操（附實踐代碼）

摘要 當前大多數研究主要側重於使用大型模型來提高實驗精度，卻常常忽視了部署的挑戰。在某些遙感設備上，對輕量級算法的需求日益增長。此外，遙感圖像（RSIs）通常包含大量小而密集分佈的目標，這給檢測帶來了巨大挑戰。為了解決這些問題，我們對YOLOv8s網絡進行了改進，開發了一種基於多尺度特徵融合與上下文信息（MFFCI-YOLOv8）的輕量級遙感目標檢

卷積 , v8 , 大數據 , hadoop , 1024程序員節 , 池化

收藏 評論

u_16213609 頭像

mob64ca13fe9c58 - keras 多層CNN搭建

一.輸入層 　　1.用途 　　　　構建深度神經網絡輸入層，確定輸入數據的類型和樣式。 　　2.應用代碼 　　　　input_data = Input(name='the_input', shape=(1600, 200, 1)) 　　3.源碼 def Input(shape=None, batch_shape=None,

機器學習 , keras 多層CNN搭建 , 卷積 , 人工智能 , 池化 , ide

收藏 評論

u_12897 頭像

jordana - PyTorch中文教程 | (15) 在深度學習和NLP中使用PyTorch_pytorch 中文nlp

PyTorch 的 torch.nn 模塊是構建和訓練神經網絡的核心模塊，它提供了豐富的類和函數來定義和操作神經網絡。 以下是 torch.nn 模塊的一些關鍵組成部分及其功能： nn.Module 類 nn.Module 是所有自定義神經網絡模型的基類。用户通常會從這個類派生自己的模型類，並在其中定義網絡層結

卷積 , 神經網絡 , pytorch , 後端開發 , 人工智能 , 深度學習 , Python

收藏 評論

u_16492348 頭像

wx65950818d835e - 14: 基於卷積神經網絡（CNN）的超分算法

引言 卷積神經網絡（CNN）是深度學習中最成功的模型之一，廣泛應用於圖像分類、物體檢測等任務。隨着深度學習技術的發展，CNN在圖像超分辨率（SR）領域也取得了顯著進展。基於CNN的超分算法利用深度卷積網絡從低分辨率圖像中提取特徵，並通過層層卷積和反捲積層重建高分辨率圖像。本文將探討基於CNN的超分算法的原理、優勢和挑戰。 CNN在超分中的基本原理 CNN通過多層

卷積 , 圖像重建 , c++ , 後端開發 , 深度學習 , c

收藏 評論

u_16213711 頭像

mob64ca1416f1ef - 實操教程 | 卷積神經網絡CNN詳解

卷積神經網絡（CNN）的核心操作並非孤立存在，而是通過精細的參數設計和流程配合實現特徵提取與模型學習。以下從原理細節、計算過程、參數設計、變體形式四個維度，對核心操作進行更深入的解析，幫助你掌握實際應用中的關鍵細節。 一、卷積操作（Convolution） 卷積是 CNN “特徵提取” 的核心，其本質是通過滑動窗口的局部加權求和捕捉圖像的局部

卷積 , 神經網絡 , cnn , 深度學習 , 池化 , 前端開發 , Javascript

收藏 評論

u_16099248 頭像

mob6454cc6d3e23 - 喵喵戰鬥遊戲下載-喵喵戰鬥安卓版下載v1.0.1

本文包含：--> --> 本文章為轉載內容，我們尊重原作者對文章享有的著作權。如有內容錯誤或侵權問題，歡迎原作者聯繫我們進行內容更正或刪除文章。

卷積 , 後端開發 , 積性函數 , 重複元素 , Python

收藏 評論

u_87851 頭像

人類新新 - 目標檢測YOLO系列總結_yolo系列目標檢測算法總結

前言 本文提出了用於低分辨率圖像分割的MaskAttn - UNet框架，並將其核心的掩碼注意力機制集成到YOLOv11中。傳統U - Net類模型難以捕捉全局關聯，Transformer類模型計算量大，而掩碼注意力機制通過可學習的掩碼，讓模型選擇性關注重要區域，融合了卷積的局部效率和注意力的全局視野。其工作流程包括特徵適配、掩碼生成、定向注意力計算和特徵融合。我們將掩碼注

卷積 , 圖像分割 , 工作流程 , 後端開發 , Python

收藏 評論

u_14555 頭像

blueice - Emotiv14通道edf數據

1.簡介 Segnet、FCN都是基於VGG16的，但VGG16本身就是一個很大的網絡，參數多，故inference時運行慢，無法運用到實時場景。本文提出ENet分割算法，它在精確率和運行時間上作了權衡，能夠運用在移動端的實時分割任務中。 個人感覺ENet的思想跟GoogLeNe有點類似，就是本質都是為了解決參數過於密集（參數太多），而引入稀疏性，降低參

機器學習 , 卷積 , 複雜度 , Emotiv14通道edf數據 , 人工智能 , ide

收藏 評論

u_15903730 頭像

WangLanguager - GraphSAGE介紹和代碼示例

GraphSAGE 介紹 GraphSAGE（Graph Sample and Aggregation）是一種用於大規模圖數據的圖神經網絡模型。與傳統的圖神經網絡不同，GraphSAGE 採用了一種採樣和聚合的方法，使其能夠處理動態和大規模的圖，特別是在節點數目非常大的情況下。 基本原理 GraphSAGE 的核心思想是通過採樣鄰居節點

卷積 , yyds乾貨盤點 , data , 激活函數 , 後端開發 , harmonyos

收藏 評論

u_16827017 頭像

全棧技術開發者 - 如何理解CNN在CV與NLP領域運用的聯繫與區別？跨領域任務中如何協調卷積核設計、特徵匯聚和序列全局信息提取以提升整體模型性能？

在人工智能研究的發展歷程中，卷積神經網絡（CNN）因其在模式識別與特徵提取中的卓越表現，成為深度學習的重要基礎工具。CNN最初主要面向二維圖像數據，通過卷積核在局部區域提取空間模式，使得網絡能夠自動構建從低級到高級的特徵表示。然而，隨着自然語言處理技術的不斷進步，研究者發現CNN在文本序列建模中同樣具有顯著作用，能夠識別局部詞組模式、捕捉短語語義信息，並在文本分類、情感分析等任務

卷積 , 卷積核 , yyds乾貨盤點 , 人工智能 , 深度學習 , 池化

收藏 評論

u_16213677 頭像

mob64ca140eb362 - springer link旗下的期刊怎麼看到審稿過程

年份：2020-10-26 論文鏈接： https://aclanthology.org/2020.coling-main.138.pdfhttps://drive.google.com/file/d/1UAIVkuUgs122k02Ijln-AtaX2mHz70N-/viewhttps://drive.google.com/file/d/1iwF

卷積 , word , 論文閲讀 , 架構 , 後端開發 , 人工智能 , 2d

收藏 評論

u_6813689 頭像

程序員小2 - 終於把卷積神經網絡算法搞懂了！

今天給大家介紹一個強大的算法模型，CNN 卷積神經網絡（CNN）是一類專門用於處理具有網格結構數據（如圖像、語音、視頻等） 的深度學習模型。 CNN 的設計靈感來自於生物學中的視覺皮層結構，能夠自動、有效地從原始數據中學習空間層次特徵，這極大地減少了人工特徵工程的需要。 CNN 已成為計算機視覺、語音識別、自然語言等領域的基礎模型。 核心原理

卷積 , 卷積核 , 池化 , 代碼人生

收藏 評論

u_15851118 頭像

u_15851118 - OpenAI Whisper：技術、實戰、生態

概述 在語音轉文本ASR工具合集彙總介紹過幾款語音識別模型和項目，其中就包括OpenAI開源的Whisper。 論文，OpenAI開源的支持多語言的通用ASR。在68萬小時的標註數據上進行訓練，有很強的泛化能力；作為一個多任務模型，可執行多語言語音識別、語音翻譯和口語識別。通過使用分塊算法，也可用於轉錄任意長度的音頻樣本。分塊是通過在實例化管

預處理 , 卷積 , whisper , 數據 , MySQL , 數據庫

收藏 評論

u_15988698 頭像

代碼天地 - 融合LSTM與GCN的社交網絡行為預測 ！！

LSTM與圖卷積網絡結合的社交網絡行為預測。 GCN像朋友圈加權平均器，把每個人在當前時刻的狀態，和TA朋友圈（圖的鄰居）的狀態融合起來，得到一個考慮社會影響的時刻表徵。 LSTM像記憶管家，把過去一段時間（多個時刻）的融合表徵傳進記憶單元，學最近是火了還是冷了，有沒有周期性等時間規律。 合體後，相當於先看社交圈，再看時間史，預測下一刻的行為，是不是很酷！~

卷積 , 二分類 , 服務器 , 分佈式 , Git

收藏 評論

histry 頭像

黎大學問 - ResNet論文精讀彙報

各位老師、同學，大家好！今天，我要為大家帶來一篇計算機視覺領域的里程碑式論文 ——《用於圖像識別的深度殘差學習》（Deep Residual Learning for Image Recognition）的精讀彙報。接下來，我會按照 “總體到細分” 的思路，從論文背景、核心問題、創新方法，再到實驗驗證與應用價值，逐步為大家拆解這篇論文的精華內容，希望能讓大家清晰理解殘差網絡（ResNe

卷積 , yyds乾貨盤點 , 數據 , 人工智能 , 深度學習

收藏 評論

u_56701 頭像

hackernew - bp神經網絡增加動量因子 神經網絡 動量因子

Coursera吳恩達《優化深度神經網絡》課程筆記（3）-- 超參數調試、Batch正則化和編程框架 1. Tuning Process 深度神經網絡需要調試的超參數（Hyperparameters）較多，包括： ：學習因子 ：動量梯度下降因子 ：Adam算法參數 #layers：神經網絡層數 #hidden units

卷積 , 神經網絡 , 人工智能 , 方差 , bp神經網絡增加動量因子

收藏 評論

u_14987 頭像

attitude - 基於centernet3D目標檢測模型有哪些

介紹 Mobilenet是由Google公司創造的網絡系列，目前已經發布至V3版本，每一次版本更新都是在前一次網絡上的優化修改。Mobilenet主打的是輕量級網絡，也就説網絡參數量較少，執行速度較快，也更容易部署到終端設備上。在移動端和嵌入式設備上也有了很多的應用。 MobilenetV3對MobilenetV2進行了一系列小的修改

卷積 , 人工智能 , 計算機視覺 , paddle , 網絡 , ide

收藏 評論

u_16213698 頭像

mob64ca1413c518 - 文本分類之TextCNN與DPCNN

1.數據集 1. 來源與簡介 名稱：THUCNews 發佈機構：清華大學自然語言處理與社會人文計算實驗室（THUNLP） 規模：約 740 萬篇中文新聞文本（完整版），本次使用子集共計 65 000 條樣本 任務類型：多分類文本分類，針對長文本新聞內容進行主題判別 2. 本次使用的子集

卷積 , 算法 , 分類 , 自然語言處理 , 後端開發 , Git , Python

收藏 評論

u_16099311 頭像

Python數據分析 - yolo目標檢測實際流程圖

Yolo v2 論文名稱 Yolo9000：Better，Faster，Stronger 該論文實際上包含了2個模型，Yolov2 和 Yolo9000，Yolo v2 是在 Yolo v1 基礎上進行了改進， 此外作者提出了一種 檢測和分類 的聯合訓練方法，並用該方法在 COCO 檢測數據集 和 ImageNet 分類數據集上訓練 Yolo v2，把得到的模型稱為 Yol

數據集 , 卷積 , 寬高 , yolo目標檢測實際流程圖 , 人工智能 , 計算機視覺

收藏 評論

u_15988698 頭像

代碼天地 - 基於CNN-SVM的選煤廠浮選泡沫圖像識別方法

計算機視覺技術是指利用相機與電腦連接成的一個系統，通過對目標的檢測、追蹤、測量和進一步的預處理得到能夠代表圖像特徵的信息，再對這些特徵信息通過計算機算法進行識別[1-2]。在選煤行業，隨着選煤廠智能化水平的提高，對各個生產崗位的要求也更加嚴格，同樣浮選車間的控制也要求精煤灰分儘可能穩定[3]。前人在浮選泡沫圖像的識別問題上已經做了大量的研究，例如，Kaartinen[4]在鋅粗選

預處理 , 數據集 , 卷積 , 服務器 , 分佈式

收藏 評論

u_16213582 頭像

mob64ca13f7ecc9 - 計算機視覺如何進行面積過濾功能

ASEF相關濾波器： Average of Synthetic Exact Filters David S. Bolme, Bruce A. Draper, J. Ross Beveridge CVPR, 2009 相關濾波器可以用於物體定位。相關濾波器算法的思想是學習一個濾波器hh，然後和圖像fi

卷積 , 在線更新 , 初始化 , 人工智能 , 計算機視覺如何進行面積過濾功能 , 計算機視覺

收藏 評論

u_16099164 頭像

碼海舵手 - 極智AI | 變形金剛大家族 Transformer ViT CLIP BLIP BERT 模型結構_51CTO博客

文章目錄 轉載 以下是博客原文 以合理的規模訓練 ViT 自蒸餾 DeiT 模型概覽 Pyramid 視覺 Transformer（PVT）的總體架構 視覺 Transformer 的自監督訓練：DINO DINO 多注意力頭可視化 MLP-Mixer 架構 多尺度視

卷積 , 數據 , MySQL , 數據庫 , 人工智能 , transformer , 深度學習

收藏 評論