tag 卷積

標籤
貢獻30
77
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_16492348 頭像

wx65950818d835e - 18: 超分中的自適應卷積方法

引言 卷積神經網絡（CNN）中的卷積操作是圖像處理的基礎。標準的卷積操作使用固定的卷積核來處理圖像，但對於圖像超分任務而言，固定卷積核可能無法很好地處理不同圖像的細節和特徵。自適應卷積方法通過動態調整卷積核的權重，使得網絡能夠根據輸入圖像的特徵進行自適應卷積，從而提高超分圖像的質量。本文將探討自適應卷積在超分中的應用。 自適應卷積的基本原理 自適應卷積通過引入可

自適應 , 卷積 , 卷積核 , c++ , 後端開發 , c

收藏 評論

u_16213673 頭像

mob64ca140dc73b - 模型的可擴展性如何實驗驗證

文章作者：Tyan簡書、 1. 擴張卷積 Dilated Convolutions，翻譯為擴張卷積或空洞卷積。擴張卷積與普通的卷積相比，除了卷積核的大小以外，還有一個擴張率(dilation rate)參數，主要用來表示擴張的大小。擴張卷積與普通卷積的相同點在於，卷積核的大小是一樣的，在神經網絡中即參數數量不變，區別在於擴張卷積具有更大的感受野。感受野是卷積核在圖像上

卷積 , 卷積核 , 大數據 , 模型的可擴展性如何實驗驗證 , 數據倉庫 , 目標檢測

收藏 評論

u_13303 頭像

colddawn - 神經網絡自適應控制仿真matlab 自適應 神經網絡

Adaptively Connected Neural Networks Paper link: Adaptively Connected Neural Networksarxiv.org Code link: wanggrun/Adaptively-Connected-Neural

神經網絡自適應控制仿真matlab , 自適應 , 卷積 , 數據 , 神經網絡 , 人工智能

收藏 評論

u_15988698 頭像

代碼天地 - 徹底搞懂一個算法，CNN！！

卷積神經網絡算法（CNN）是一種專門用來處理具有網格結構數據（如圖像、視頻、時間序列等）的深度神經網絡。 它通過模仿人類視覺皮層的工作機制，通過局部感受野、權重共享和池化等設計，極大地降低了模型的複雜度，並有效提取了數據的空間層次特徵。 卷積神經網絡算法在計算機視覺領域，如圖像識別、目標檢測、圖像分割中取得了巨大成功。 核心原理

卷積 , 服務器 , 池化 , 全連接 , 分佈式

收藏 評論

u_15469972 頭像

mb61c46a7ab1eee - 計算機視覺：卷積神經網絡（CNN）圖像分類從像素與色彩通道基礎到特徵提取、池化及預測 - 指南

一、卷積神經網絡概述 卷積神經網絡通過濾波器（或稱核）從圖像中提取特徵，再將這些特徵傳入神經網絡進行預測或輸出。在深入探討卷積神經網絡之前，我們先詳細瞭解圖像的工作原理。 二、圖像的本質 （一）像素與矩陣表示 圖像由微小的像素構成，如同宇宙由原子組成。每個像素是一個包含數字的單元，類似矩陣中的單元格。本質上，圖像是具有確定行數和列數的矩陣，矩陣中的每個單元

卷積 , redis , 卷積核 , 數據庫 , 池化

收藏 評論

u_13360 頭像

level - rlike presto怎麼實現

1、文章信息 《PredRNN: Recurrent Neural Networks for Predictive Learning using Spatiotemporal LSTMs》。 清華大學軟件學院博士生，後續的PredRNN++ 以及Memory in Memory都是這個人所寫。 2、摘要 時空序列的預測學習的目的是通過學習歷史幀來生成未來的

數據集 , 卷積 , rlike presto怎麼實現 , 雲計算 , 之字形 , 雲原生

收藏 評論

u_15988698 頭像

代碼天地 - 融合Transformer+LSTM+CNN，時間序列預測 ！！

咱們今天來聊聊融合Transformer+LSTM+CNN，這也是有一位同學提到的。 核心點：用卷積抓短期、用 LSTM 維護狀態、用自注意力抓任意距離的依賴。 首先，咱們來看看這三位“同學”各自擅長的點在哪裏？ CNN（卷積）：擅長抓“局部模式”，像短期的波峯/波谷、週期裏的固定形狀。 LSTM（長短時記憶網絡）：擅長記住“時間上的因果和長期依賴”，把過

卷積 , 服務器 , 數據 , 時間序列 , 分佈式

收藏 評論

u_87634 頭像

新新人類 - CNN的神奇應用實例

Network In Network 是13年的一篇paper 引用：Lin M, Chen Q, Yan S. Network in network[J]. arXiv preprint arXiv:1312.4400, 2013. 文章的新點： 1. 採用 mlpcon 的結構來代替 traditional 卷積層；

機器學習 , 卷積 , 卷積核 , 人工智能 , 全連接 , CNN的神奇應用實例

收藏 評論

u_16213560 頭像

數據小探 - 經典CNN與經典Transformer相結合用於時間序列預測

經典網絡 (Classic Networks) 這節課，我們來學習幾個經典的神經網絡結構，分別是LeNet-5、AlexNet和VGGNet，開始吧。 首先看看LeNet-5的網絡結構，假設你有一張32×32×1的圖片，LeNet-5可以識別圖中的手寫數字，比如像這樣手寫數字7。LeNet-5是針對灰度圖片訓練的，所以為什麼圖片的大小隻有32

機器學習 , 卷積 , 人工智能 , 深度學習 , 池化 , 全連接

收藏 評論

u_16213577 頭像

信息小飛俠 - 深度學習入門（四十）計算機視覺——圖像增強_深度學習圖像增強

前言： 用汽車製造廠理解神經網絡架構 1.1 Backbone（主幹網絡）= 汽車底盤和發動機系統 # 想象製造汽車的流程： 原材料（鋼板、零件） → 底盤生產線 → 發動機安裝 → 基本車架 ↓ ↓ ↓ ↓ 輸入圖像 邊緣檢測 形狀識

卷積 , Fast-SCNN , 編碼器 , UNet , Css , 前端開發 , Segformer , HTML

收藏 評論