CNN卷积网络

vit细粒度图像分类（九）RAMS-Trans学习笔记

1.摘要在细粒度图像识别(FGIR)中，区域注意力的定位和放大是一个重要因素，基于卷积神经网络(cnn)的方法对此进行了大量探索。
无妄无望·2024-02-04 09:01

互联网加竞赛 基于深度学习的植物识别算法 - cnn opencv python

文章目录0前言1课题背景2具体实现3数据收集和处理3MobileNetV2网络4损失函数softmax交叉熵4.1softmax函数4.2交叉熵损失函数5优化器SGD6最后0前言优质竞赛项目系列，今天要分享的是**基于深度学习的植物识别算法**该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：4分创新点：4分更多资料,项目分享：ht
Mr.D学长·2024-02-04 07:55

回归预测 | Matlab实现CPO-CNN-LSTM-Attention冠豪猪优化卷积长短期记忆神经网络注意力机制多变量回归预测（SE注意力机制）

回归预测|Matlab实现CPO-CNN-LSTM-Attention冠豪猪优化卷积长短期记忆神经网络注意力机制多变量回归预测（SE注意力机制）目录回归预测|Matlab实现CPO-CNN-LSTM-Attention
机器学习之心·2024-02-04 05:28

回归预测 | Matlab实现RIME-CNN-LSTM-Attention霜冰优化卷积长短期记忆网络注意力多变量回归预测（SE注意力机制）

回归预测|Matlab实现RIME-CNN-LSTM-Attention霜冰优化卷积长短期记忆网络注意力多变量回归预测（SE注意力机制）目录回归预测|Matlab实现RIME-CNN-LSTM-Attention
机器学习之心·2024-02-04 05:28

回归预测 | Matlab实现POA-CNN-LSTM-Attention鹈鹕算法优化卷积长短期记忆网络注意力多变量回归预测（SE注意力机制）

回归预测|Matlab实现POA-CNN-LSTM-Attention鹈鹕算法优化卷积长短期记忆网络注意力多变量回归预测（SE注意力机制）目录回归预测|Matlab实现POA-CNN-LSTM-Attention
机器学习之心·2024-02-04 05:26

R-CNN阅读笔记

R-CNN是第一次将CNN用到目标检测领域上来的算法。（待确认）本篇博文主要讲解2014年CVPR上的经典pap
tang-0203·2024-02-04 02:40

Pycharm配置conda虚拟环境出现unsupported

1.最近小黑皮在学习Mask-Rcnn框架，初步计划是先跑通一遍，再去深入学习。起初我的anaconda里已经有一个支持做图像处理的虚拟环境了。2.tensorflow-gpu就是之前配置好的环境。
徐徐祥来-小黑皮·2024-02-03 21:28

Python学习笔记--CNN实例/RNN/LSTM

cnnlenet5编程实例#!
花季秃头少女·2024-02-03 21:20

目标检测任务的调研与概述

2目标检测的进阶知识：2.1经典的backbone：2.2目标检测器-传统的检测方法2.3目标检测器-两阶段的检测方法：2.3.1R-CNN开山之作2.3.2SPP-Net2.3.
Alexa2077·2024-02-03 16:56

多维时序 | Matlab实现CNN-RVM卷积神经网络结合相关向量机多变量时间序列预测

多维时序|Matlab实现CNN-RVM卷积神经网络结合相关向量机多变量时间序列预测目录多维时序|Matlab实现CNN-RVM卷积神经网络结合相关向量机多变量时间序列预测效果一览基本介绍程序设计参考资料效果一览基本介绍
机器学习之心·2024-02-03 15:16

时序预测 | MATLAB实现基于CNN-BiLSTM-AdaBoost卷积双向长短期记忆网络结合AdaBoost时间序列预测

时序预测|MATLAB实现基于CNN-BiLSTM-AdaBoost卷积双向长短期记忆网络结合AdaBoost时间序列预测目录时序预测|MATLAB实现基于CNN-BiLSTM-AdaBoost卷积双向长短期记忆网络结合
机器学习之心·2024-02-03 15:16

《动手学深度学习(PyTorch版)》笔记6.3

Chapter6ConvolutionalNeuralNetwork(CNN)6.3LeNetLeNet模型中每个卷积块中的基本单元是一个卷积层、一个
南七澄江·2024-02-03 13:31

《动手学深度学习(PyTorch版)》笔记6.1

Chapter6ConvolutionalNeuralNetwork(CNN)6.1BasicConcepts卷积神经网络将空间不变性（spatial
南七澄江·2024-02-03 13:57

《动手学深度学习(PyTorch版)》笔记6.2

Chapter6ConvolutionalNeuralNetwork(CNN)6.2ImageConvolutionOperation6.2.1Con
南七澄江·2024-02-03 13:57

神经网络模型设计的方法和技巧

选择合适的模型架构：根据问题类型选择基础模型结构，例如卷积神经网络（CNN）用于图像识别，循环神经网络（RNN）、长短时记忆网络（LSTM）或门控循环单元（GRU）用于序列数据处理，Trans
科学禅道·2024-02-03 11:56

GAF-PCNN-AT格拉姆角场和双通道PCNN融合注意力机制的分类/故障识别程序！Excel导入，直接运行

适用平台：Matlab2023版本及以上本程序参考中文EI期刊《电力自动化设备》12月29号网络首发文献：《基于格拉姆角场与并行CNN的并网逆变器开关管健康诊断》,此外，在此基础上进一步对模型进行复现并改进
预测及优化·2024-02-03 09:43

在树莓派下使用NCNN部署YOLOv5-lite

在树莓派下使用NCNN部署YOLOv5-lite前置的开发环境操作可以先看这篇文章：树莓派下部署NCNN_树莓派部署神经网络我这里的yolov5-lite的param文件和bin文件是参考这个github
TTao9·2024-02-03 09:12

TTAO-CNN-BiGRU-MSA三角拓扑聚合优化、双向GRU融合注意力的多变量回归预测程序！

我们利用该创新性极高的优化算法对我们的CNN-BiGRU-Attention时序和空间特征结合-融合注意力机制的回归预测程序代码中的超参数
预测及优化·2024-02-03 09:37

深度学习有何新进展

例如，卷积神经网络（CNN）在图像处理领域取得了巨
小狗蛋ing·2024-02-03 09:06

AI预测-注意力机制/多头注意力机制及其tensorflow实现

AI预测相关目录AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制
写代码的中青年·2024-02-03 09:02

AI预测-多任务学习-模型融合策略

AI预测相关目录AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制
写代码的中青年·2024-02-03 09:01

AI预测-Transformer模型及Paddle实现

AI预测相关目录AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制
写代码的中青年·2024-02-03 09:01

AI预测-迁移学习在时序预测任务上的tensoflow2.0实现

AI预测相关目录AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制
写代码的中青年·2024-02-03 09:01

AI预测-VMD-CNN-LSTM时序预测

AI预测相关目录AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测文章目录AI预测相关目录一、
写代码的中青年·2024-02-03 08:31

ConvFormer: Plug-and-Play CNN-StyleTransformers for Improving Medical ImageSegmentation

ConvFormer:改进医学图像分割的即插即用CNN风格转换器摘要：Transformer在医学图像分割中被广泛研究，以建立成对的长程依赖关系（像素之间的长程依赖关系）。
我在努力学习分割（禁止说我水平差）·2024-02-03 08:03

1.27CNN（输入层，特征提取（卷积，最大池化），输出），损失函数（KL散度，交叉熵推导），熵（物理、信息熵推导），点积矩阵运算（CPU,GPU,NPU）

CNN损失函数KL散度，交叉熵B部分是训练集的真实实际值，是常数，C部分是训练结果，目的是要让这个损失最小化，与模型参数紧密相关，取出C（带负号），C非负就是更精简的损失函数熵v所谓M个空间，N个小球在其中的排列组合方式为熵对应概率是
CQU_JIAKE·2024-02-03 07:23

基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型

目录往期精彩内容：模型整体结构1快速傅里叶变换FFT原理介绍第一步，导入部分数据，扰动信号可视化第二·步，扰动·信号经过FFT可视化2电能质量扰动数据的预处理2.1导入数据2.2制作数据集3基于FFT+CNN-Transformer
建模先锋·2024-02-03 07:52

深度学习的进展

深度学习的核心是神经网络，包括卷积神经网络（CNN）、循环神经网络（RNN）等，这些网络通过不断地学习和优化，逐渐提高对输入数据的理解和处理能力。深度学习的应用范围十分广泛
佛系爱学习·2024-02-03 07:16

时间序列预测 —— TCN模型

时间序列预测——TCN模型卷积神经网络（ConvolutionalNeuralNetwork，CNN）在图像处理等领域取得了显著的成就，一般认为在处理时序数据上不如RNN模型，而TCN（TemporalConvolutionalNetwork
Persist_Zhang·2024-02-03 06:55

【技术综述】图像与CNN发家简史，集齐深度学习三巨头

本文首发于微信公众号《与有三学AI》【技术综述】图像与CNN发家简史，集齐深度学习三巨头没有一个经典的发现会是突然之间横空出世，它总是需要一些积淀。
城市中迷途小书童·2024-02-03 06:36

目标检测:PC端MobileNetSSD通过Ncnn前向推理框架之实现

我的最终目标是将MobileNetSSD部署到Anroid设备端，考虑到运行效率，采用了NCNN前向推理来实现，下面将在PC端的实现过程和大家分享下，欢迎讨论。
宝坚刘炜·2024-02-03 05:38

深度学习入门笔记（七）卷积神经网络CNN

我们先来总结一下人类识别物体的方法：定位。这一步对于人眼来说是一个很自然的过程，因为当你去识别图标的时候，你就已经把你的目光放在了图标上。虽然这个行为不是很难，但是很重要。看线条。有没有文字，形状是方的圆的，还是长的短的等等。看细节。纹理、颜色、方向等。卷积神经网络就是对上述过程的程序实现。7.1卷积卷积在卷积神经网络中的主要作用是提取图片的特征，同时保留原来图片中各个像素的相对位置（空间）关系。
zhanghui_cuc·2024-02-03 03:03

深度学习之图像分类

下面回顾一下深度学习在图像分类上的发展历程:LeNet-5在1998年，YannLeCun等人设计的第一个卷积神经网络（CNN）模型LeNet-5，为图像分类领域打开了一个新的门。
kadog·2024-02-03 01:11

real-time-emotion-detection 排坑记录

real-time-emotion-detection排坑记录任务踩坑回顾CV2包版本问题症状描述解决方法模型文件路径问题症状描述解决办法tensorflow版本问题症状描述解决办法其他任务我之前跑了一个CNN
Debug的魔法小马·2024-02-03 01:40

嵌入式人工智能实验方向

2采用BESSOC部署深度学习语音信号处理算法，降噪算法3根据公式用C语言实现卷积CNN，或者采用开源的嵌入式机器学习，嵌入式深度学习，嵌入式神经网络开源sdk，移植，部署到MCU或者SOC，
周南音频科技教育学院(AI湖湘学派)·2024-02-03 01:05

基于stm32F4卷积神经网络手写数字识别项目

加我微信hezkz17可以申请加入嵌入式人工智能技术研究开发交流答疑群，赠送企业嵌入式AI图像理解/音/视频项目核心开发资料1采用CNNBP反向传播算法更新权重系数2原理解析3实现策略训练与识别分离，先在电脑上训练好
周南音频科技教育学院(AI湖湘学派)·2024-02-03 01:35

分类预测 | Matlab实现GAF-PCNN-MATT格拉姆角场和双通道PCNN融合多头注意力机制的分类预测/故障识别

分类预测|Matlab实现GAF-PCNN-MATT格拉姆角场和双通道PCNN融合多头注意力机制的分类预测/故障识别目录分类预测|Matlab实现GAF-PCNN-MATT格拉姆角场和双通道PCNN融合多头注意力机制的分类预测
机器学习之心·2024-02-03 01:27

SCI一区 | Matlab实现mRMR-CNN-GRU-Mutilhead-Attention最大相关最小冗余特征选择卷积门控循环单元融合多头注意力机制多特征分类预测

SCI一区|Matlab实现mRMR-CNN-GRU-Mutilhead-Attention最大相关最小冗余特征选择卷积门控循环单元融合多头注意力机制多特征分类预测目录SCI一区|Matlab实现mRMR-CNN-GRU-Mutilhead-Attention
机器学习之心·2024-02-03 01:57

故障诊断 | 一文解决，CNN-LSTM卷积神经网络-长短期记忆神经网络组合模型的故障诊断（Matlab）

效果一览文章概述故障诊断|一文解决，CNN-LSTM卷积神经网络-长短期记忆神经网络组合模型的故障诊断（Matlab）模型描述CNN-LSTM模型是一种结合了卷积神经网络（ConvolutionalNeuralNetwork
机器学习之心·2024-02-03 01:26

深度学习之循环神经网络

前言卷积神经网络CNN在图象处理领域起到了重要的作用,在自然语言处理中还要看循环神经网络RNN,RNN对具有序列特性的数据非常有效，它能挖掘数据中的时序信息以及语义信息.为什么要发明循环神经网络我们先来看一个
懒猫gg·2024-02-02 22:19

【深度学习】从0完整讲透深度学习第2篇：TensorFlow介绍和基本操作（代码文档已分享）

具体包括：TensorFlow的数据流图结构，神经网络与tf.keras，卷积神经网络(CNN)
程序员一诺·2024-02-02 22:09

Pytroch 自写训练模板适合入门版 包含十五种经典的自己复现的一维模型 1D CNN

训练模板在毕业之前，决定整理一下手头的代码，自己做1D-CNN这吗久，打算开源一下自己使用的1D-CNN的代码，包括用随机数生成一个模拟的数据集，到自己写的一个比较好的适合入门的基础训练模板，以及自己复现的所有
浩浩的科研笔记·2024-02-02 21:47

基于GAN-CNN-CNN的鲁棒笔迹识别方法(一)

笔迹识别（writerrecognition）是生物特征识别的一个重要分支.对于每个书写者而言，其笔迹总体上具有相对稳定性，而笔迹的局部变化则是每个书写者笔迹的固有特性；而对于不同的书写者而言，其笔迹的差别则比较大[1].基于这种特性,笔迹识别是一种可行的身份鉴别方法.前言目前的笔迹识别方法或多或少都要用到一些传统方法,如切割字符、特征提取等过程.这些方法比较常用的有投影法、滴水法、HOG特征、G
kadog·2024-02-02 21:41

基于GAN-CNN-CNN的鲁棒笔迹识别方法(二)

上一篇文章讲到了HTID_0数据集的建立以及它的缺陷,本节主要内容是模型的架构和新数据集HTID_1的建立.笔迹识别有了制作HTID_0的经验,我意识到分类任务并不是最难解决的那部分,因为现在已经有非常多性能优秀的分类网络,重点是传入网络的图片质量,也就是笔迹图像.理想的输入为图片中只有笔迹信息,没有多余的杂质(如横线、印刷体、污渍等).一些笔迹来源原始材料(来自互联网、IMA数据集[1]、ICD
kadog·2024-02-02 21:41

语义分割：从早期探索到深度学习的突破

语义分割：从早期探索到深度学习的突破语义分割的端倪：从早期探索到深度学习的突破引言早期技术：图像处理与模式识别边缘检测区域生长图割(GraphCut)聚类方法深度学习的兴起：CNN革命2012年AlexNet
kadog·2024-02-02 21:08

CV案例解析：YOLO——从v1到v5

在YOLO诞生之前，目标检测领域热门的深度学习模型是R-CNN系列模型，这一类的模型被称之为二阶段模型（two-stage），其大致思路就是先找出可能含有物体的区域，进而再细致的找出这片区域内的物体是什么
CV案例精选·2024-02-02 18:51

到底是什么特征影响着CNN的性能？

记录一下，CNN到底学到了什么东西，或者换句话讲。到底是什么样的特征在影响着CNN的性能？
城市中迷途小书童·2024-02-02 17:55

基于yolov5模型的200种鸟类检测识别分析系统

前面系列文章链接如下，感兴趣可以移步自行阅读即可：基于CNN的动物识别系统[完整实战源码]基于CNN的字符型验证码识别系统设计开发[完整源码实战]CNN基于肺部C
Together_CZ·2024-02-02 16:40

YOLO系列详解(YOLO1-YOLO5)【实时物体检测算法】

与传统的物体检测方法（例如R-CNN系列）不同，YOLO将物体检测视为一个回归问题，直接从图像中预测物体的边界框和类别。这种方法的主要优点是
super_journey·2024-02-02 12:15

vit细粒度图像分类（七）TBNet学习笔记

在这项工作中，我们提出了一种新的基于机器人视觉跟踪的鸟类监视方法，该方法采用了一种名为TBNet的亲和关系感知模型，该模型结合了CNN和Transformer架构，并具有新颖的特征选择(FS)模块。
无妄无望·2024-02-02 10:18
上一页 3 4 5 6 7 8 9 10 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他