姓名：杨凯航学号：17101223381【嵌牛导读】使用前馈卷积神经网络（convnets）来解决计算机视觉问题，是深度学习最广为人知的成果，但少数公众的注意力已经投入到使用递归神经网络来对时间关系进行建模

它们也被称作CNNs或着ConvNets，是深层神经网络领域的主力。它们已经学会对图像进行分类，在某些情况下甚至超过了人

包括：理解卷积神经网络使用数据增强缓解过拟合使用预训练卷积网络做特征提取微调预训练网络模型可视化卷积网络学习结果以及分类决策过程介绍卷积神经网络，convnets，深度学习在计算机视觉方面广泛应用的一个网络模型

AnIntuitiveExplanationofConvolutionalNeuralNetworks原文地址：https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets

文章目录1、论文总述参考文献1、论文总述这篇paper是DCNv1的升级版，文章认为，对于positive的样本来说，采样的特征应该focus在roi内，如果特征中包含了过多超出roi的内容，那么结果会受到影响和干扰。而negative样本则恰恰相反，引入一些超出roi的特征有助于帮助网络判别这个区域是背景区域。看这篇anchorfree目标检测论文论文阅读：ObjectsasPoints（也叫C

本章包括：1、了解卷积神经网络（convnets）2、使用数据增强来减轻过度拟合3、使用预训练的convnet进行特征提取4、微调预训练的信号5、可视化回馈学习的内容以及他们如何做出分类决策一、引言一个简单的

RethinkingModelScalingforConvolutionalNeuralNetworks作者MingxingTanQuocV.Le原论文链接原代码链接Abstract摘要  卷积神经网络(ConvNets

第一部分：为什么SLAM重要vSALM(VisualSLAM)能够在跟踪摄像机(用于AR的手持或者头盔，或者装备在机器人上)位置和方位的同时构建三维地图.SLAM算法与ConvNets和深度学习是互补的

近期谷歌发布了新的深度学习架构EfficientNet，按照谷哥论文中的比较方法，这种架构对于传统的卷积神经网络(ConvNets)，在各方面都堪称碾压。

论文地址：http://arxiv.org/abs/1811.11168作者：pprp时间：2019年5月11日0.摘要DCNv1引入了可变形卷积，能更好的适应目标的几何变换。但是v1可视化结果显示其感受野对应位置超出了目标范围，导致特征不受图像内容影响（理想情况是所有的对应位置分布在目标范围以内）。为了解决该问题：提出v2,主要有扩展可变形卷积，增强建模能力提出了特征模拟方案指导网络培训：fea

https://blog.csdn.net/heruili/article/details/88595713卷积神经网络(ConvNets)在各种视觉识别任务中都取得了优异的识别性能。

总结的算法包括：OverFeat、yolo系列、SSD、Deformable-ConvNets、R-CNN系列、R-FCN、FPN、SPP-NET算法综述：解释onestage和twostage：前者是先由算法生成一系列作为样本的候选框

卷积神经网络（也称作ConvNets或CNN）是神经网络的一种，它在图像识别和分类等领域已被证明非常有效。卷积神经网络除了为机器人和自动驾驶汽车的视觉助力之外，还可以成功识别人脸，物体和交通标志。

示意图如下三层3∗33*33∗3卷积核操作的有效区域是77(所有filter的stride=1，pad=0),示意图如下：2.基本定义：定义：感受野用来表示网络内部的不同神经元对原图像的感受范围的大小，或者说，convNets

胶囊网络是GeoffreyHinton提出的一种新型神经网络结构，为了解决卷积神经网络（ConvNets）的一些缺点，提出了胶囊网络。

1.概述CNN网络经被在众多方面展现了其成功，但是随之而来的是巨大的计算量与参数存储空间。这篇论文中给出一种剪除卷积滤波器的方法（确实会影响精度），但是移除这些滤波器与其对应的featuremap之后确实带来计算量的降低，而且并不会导致连接的稀疏，从而就并不需要支持稀疏的卷积库，可以使用现有的BLAS库。在实验中减少了VGG-16中34%和ResNet-110中38%的计算量，并且通过重新训练获得

37578271DeformableConvolutionalNetworks论文链接：https://arxiv.org/abs/1703.06211代码链接：https://github.com/msracver/Deformable-ConvNets

感受野用来表示网络内部的不同神经元对原图像的感受范围的大小，或者说，convNets(cnn)每一层输出的特征图(featuremap)上的像素点在原始图像上映射的区域大小。

卷积神经网络（也称作ConvNets或CNN）是神经网络的一种，它在图像识别和分类等领域已被证明非常有效。卷积神经网络除了为机器人和自动驾驶汽车的视觉助力之外，还可以成功识别人脸，物体和交通标志。

关于感受野的定义请参考：https://www.jianshu.com/p/2b968e7a1715定义：感受野用来表示网络内部的不同神经元对原图像的感受范围的大小，或者说，convNets(cnn)每一层输出的特征图

英文原版链接结构概述用来构建卷积神经网络的各种层卷积层池化层归一化层全连接层将全连接层转化成卷积层卷积神经网络的结构层的排列规律层的尺寸设置规律案例学习（LeNet/AlexNet/ZFNet/GoogLeNet/VGGNet）计算上的考量拓展资源注：中文翻译出自知乎专栏“智能单元”，在其基础上增加了个人批注卷积神经网络（CNNs/ConvNets

使用到的Deformable-ConvNets在这里制作PascalVOC格式数据集使用LabelImg标记数据集，将生成图片对应的.xml文件。

层、空间布局、层模式、层大小模式、AlexNet/ZFNet/VGGNet案例研究、计算考虑卷积神经网络(CNNs/ConvNets)卷积神经网络与前一章的神经网络非常相似：它们是由具有可学习的权值和偏置的神经元组成的

包括：-理解卷积神经网络-使用数据增强缓解过拟合-使用预训练卷积网络做特征提取-微调预训练网络模型-可视化卷积网络学习结果以及分类决策过程介绍卷积神经网络，convnets，深度学习在计算机视觉方面广泛应用的一个网络模型

卷积神经网络（ConvNets）是受生物启发的MLPs（多层感知器），它们有着不同类别的层，并且每层的工作方式与

卷积神经网络（ConvNets或者CNNs）属于神经网络的范畴，已经在诸如图像识别和分类的领域证明了其高效的能力。卷积神经网络可以成功识别人脸、物体和

[ICLR’17]这篇论文也属于参数裁剪的一类，不同于一般的裁剪全连接层参数，这篇论文裁剪的重点是卷积层，而且把卷积核和特征图一起裁剪，统统丢掉。论文链接：https://arxiv.org/abs/1608.08710老规矩，先看结果。效果：在CIFAR10上，VGG-16的推理成本可降低高达34％，ResNet-110最高可降低38％，同时通过重新训练网络恢复接近原始精度。主要思想：由于CNN

Coursera上的deeplearning在线课程可以说是深度学习最经典的入门教程，其讲师AndrewNg在业界赫赫有名。目前该套课程已经授权给网易云课堂，我们可以在网易云课堂上免费学习该课程。但有点不好的是，网易云课堂上的课程没有配套的习题和编程练习。个人认为，除了听课之外，必要的练习和编程也是必需的，所以我还是上Coursera上注册了该课程。如果想省钱的话，可以先上网易云课堂把课程听完，然

hmsr=toutiao.io&utm_medium=toutiao.io&utm_source=toutiao.io卷积神经网络（ConvNets或者CNNs）属于神经网络的范畴，已经在诸如图像识别和分类的领域证明了其高效的能力

卷积神经网络（也称作ConvNets或CNN）是神经网络的一种，它在图像识别和分类等领域已被证明非常有效。卷积神经网络除了为机器人和自动驾驶汽车的视觉助力之外，还可以成功识别人脸，物体和交通标志。

相比普通的卷积网络（ConvNets），新的模型性能表现更优越，各类的平均

介绍深度卷积神经网络(ConvNets)显著提高了图像分类和目标检测任务的准确率。和图像分类相比目标检测又更具有挑战性，这主要是两方面的原因。首先，大量候选目标的位置数据需要被处理。

介绍深度卷积神经网络(ConvNets)显著提高了图像分类和目标检测任务的准确率。和图像分类相比目标检测又更具有挑战性，这主要是两方面的原因。首先，大量候选目标的位置数据需要被处理。

而ConvNets擅长的是对appearance的建模和短时的motion。因此对于长时域结构的建模，CUHK提出了TSN。视频里面的连续帧是存在很多冗余信

Deformable-ConvNets的github链接：https://github.com/msracver/Deformable-ConvNets本文转载自微软研究院AI头条：可变形卷积网络：计算机新

在卷积神经网络ConvNets中，前向传播到最后一层计算网络预测标签（predictedlabel）与真实标签（GroundTruth）之间的误差，需要定义一个损失函数，如Logloss，Softmaxlogloss

CNN介绍与之前的神经网络不同之处在于，CNN明确指定了输入就是图像，这允许我们将某些特征编码到CNN的结构中去，不仅易于实现，还能极大减少网络的参数。一.结构概述与一般的神经网络不同，卷积神经网络尤其特殊之处。一般的神经网络每一层与前一层之间采用全连接；一层中的神经元之间也是互相独立的，并不共享权值；最后一层全连接层陈伟输出层，在分类任务中出表示类别得分。CIFAR-10中图像是32*32*3=

ConvolutionalNeuralNetwork参考http://cs231n.github.io/convolutional-networks/historyConvolutionalNeuralNetworks(CNNs/ConvNets

http://www.cs.toronto.edu/~kriz/cifar.html两个文件：cifar_input.py和convnets_test.py只需修改这两个值，完成cifar10和cifar100

卷积神经网络（ConvNets或CNN）是神经网络的一个类别，在图像识别和分类等领域已被证明非常有效。除了机器人和自驾车的视觉驱动之外，ConvNets已经成功地识别了面部，物体和交通标志。

卷积神经网络（ConvNets或者CNNs）属于神经网络的范畴，已经在诸如图像识别和分类的领域证明了其高效的能力。卷积神经网络可以成功识别人脸、物体和交通信号，从而为机器人和自动驾驶汽车提供视力。

公司程序员作者博客：https://hackernoon.com/@erikreppel作者twitter：https://twitter.com/programmer在近些年，深度学习领域的卷积神经网络（CNNs或ConvNets

本文翻译自ConvolutionalNeuralNetworks(CNNs/ConvNets)，更多内容请访问：http://cs231n.github.io/。

本文翻译自ConvolutionalNeuralNetworks(CNNs/ConvNets)，更多内容请访问：http://cs231n.github.io/。

转自：http://coolwyj.com/%E9%80%9A%E7%94%A8%E7%89%A9%E4%BD%93%E6%A3%80%E6%B5%8B%E6%96%B9%E6%B3%95%E5%B0%8F%E7%BB%93/略增删改[overfeat](http://arxiv.org/abs/1312.6229)[RCNN](http://arxiv.org/abs/1311.2524)[

其主要考虑利用深度卷积网络固有的多尺度金字塔形层次结构来构建特征金字塔，创建了一个具有横向连接的自顶向下架构用于在所有尺度上构建高级语义特征图，FPN作为通用特征提取器表现优异，论文研究表明，尽管深度ConvNets

它们也被称作CNNs或着ConvNets，是深

卷积神经网络（ConvNets或者CNNs）属于神经网络的范畴，已经在诸如图像识别和分类的领域证明了其高效的能力。卷积神经网络可以成功识别人脸、物体和交通信号，从而为机器人和自动驾驶汽车提供视力。

基于卷积神经网络的情感分析一．深度学习之卷积神经网络ConvNets旨在处理由多个数组组成的数据：例如由三个2D数组构成的彩色图像包含三个颜色通道中的像素强度，许多数据模态是多个阵列的形式，一维的信号和句子

Fastconvnetsusinggroup-wisebraindamage出发点在convolutionlayer中，很多工具箱(caffe等)都把卷积操作转换成矩阵操作，通过增加并行度来提升计算速度。那么在这个基础上怎么继续加速矩阵运算呢？对于一个输入是64x224x224的特征图来说，如果有64组3x3卷积核，那么正常的矩阵转化计算就变成(224∗224)∗(3∗3∗64)∗(3∗3∗64)