注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 可视化理解卷积神经网络

  2. Matthew D. Zeiler and Rob Fergus经典论文，最近Krizhevsky等人展示了大型卷积网络模型在基准数据集ImageNet上的令人印象深刻的分类性能[18]。然而，对于他们为什么表现如此出色以及他们如何改进这一点并不清楚。在本文中，我们探讨了这两个问题。我们介绍一种新颖的可视化技术，可以深入了解中间要素图层的功能和分类器的操作。基于这些可视化的决断，使我们能够找到比Krizhevsky等人的模型更好的架构。在ImageNet分类基准数据集上，我们也进行消融研究，以

  3. 所属分类：深度学习

    • 发布日期：2017-11-12
    • 文件大小：1048576
    • 提供者：lcpxrt

  1. 神经网络的实验步骤详细分析具体-神经网络大作业（一）.doc

  2. 神经网络的实验步骤详细分析具体-神经网络大作业（一）.doc 本人做的神经网络的实验，步骤详细，分析具体，适合做入门学习用-I do neural network experiments, the steps detailed analysis of specific, suitable for entry to study 截取某些内容，方便参考： 用BP网络识别雷达测速的三类信号 一．数据来源      此信号来自一部测速雷达获得的三种目标的回波信号，三种目标分别是行人W、自行车B和卡车T

  3. 所属分类：其它

    • 发布日期：2019-08-13
    • 文件大小：214016
    • 提供者：weixin_39840924

  1. 神经网络的实验步骤详细分析具体-神经网络大作业（三）.doc

  2. 神经网络的实验步骤详细分析具体-神经网络大作业（三）.doc 本人做的神经网络的实验，步骤详细，分析具体，适合做入门学习用-I do neural network experiments, the steps detailed analysis of specific, suitable for entry to study 截取某些内容，方便参考： 用BP网络识别雷达测速的三类信号 一．数据来源      此信号来自一部测速雷达获得的三种目标的回波信号，三种目标分别是行人W、自行车B和卡车T

  3. 所属分类：其它

    • 发布日期：2019-08-13
    • 文件大小：83968
    • 提供者：weixin_39841365

  1. 卷积神经网络的mnist手写数字识别

  2. 手写数字识别的Tensorflow完整代码，### 1. MNIST机器学习入门 **1.1.1 简介** 下载MNIST数据集，并打印一些基本信息： ``` python download.py ``` **1.1.2 实验：将MNIST数据集保存为图片** ``` python save_pic.py ``` **1.1.3 图像标签的独热表示** 打印MNIST数据集中图片的标签： ``` python label.py ``` *

  3. 所属分类：深度学习

    • 发布日期：2020-03-20
    • 文件大小：35840
    • 提供者：baidu_39629638

  1. 两层神经网络图

  2. 两层神经网络矩阵表示 和 数据流动 结合示意图 权重矩阵是维度转化

  3. 所属分类：机器学习

    • 发布日期：2019-07-28
    • 文件大小：3145728
    • 提供者：hfcaoguilin

  1. 基于卷积神经网络的车牌照字符识别研究

  2. 基于卷积神经网络的车牌照字符识别研究310 第十二届全国图象图形学学术会议 以充分利用人的经验来获取模式特征以及神经网 来正确识别所有样本;Uc4层是网络的输出层即识 终分类能力来识别字符,特征提取必须能反应整 个字符的特征,才能达到较高的识别率;后者则 别层,显示网络最终的模式识别结果。 省去特征抽取,将整个字符直接作为神经网络的 差异提取层Uc的输出姐式(1)所示 输入。这种方式虽然在一定程度上增加了神经网 络结构的复杂度,但是网络的抗干扰性能和识别 n(n,)=max{(-)∑a()l(n

  3. 所属分类：机器学习

    • 发布日期：2019-04-19
    • 文件大小：274432
    • 提供者：suiyu_eran

  1. 基于BP神经网络模型的国家脆弱性问题的求解

  2. 随着人类社会的进步和发展，环境对一个国家的影响不容小觑，其中气候变化对人类生活方式产生深远意义和影响，进而改变国家的脆弱性，本文基于人工智能理论构建了一个国家脆弱性评价模型并利用相关系数法讨论气候变化如何影响区域的不稳定性，发现气候变化对区域稳定性有着举足轻重的作用。问题重述 1.1问题背景 候变化通过对区域稳定性产生影响,进而改变国家的脆弱性,当它与薄弱的政府 治理和社会分裂相结合时,可以引发一系列的暴力恶性事件,通常沿着潜在的民族和政 治分歧发展。早在20世纪90年代,这一概念就已经为一些主

  3. 所属分类：其它

    • 发布日期：2019-03-15
    • 文件大小：1048576
    • 提供者：zrg_hzr_1

  1. 通信与网络中的神经网络预测编码器的设计及应用

  2. 1 BP网络结构及其算法 　　反向传播算法又称误差后向传播算法(Error Back Propagation Algorithm)，它是用来训练多层前馈网络的一种学习算法。是一种有监督的学习算法。通常称用误差反向传播算法训练的网络叫BP网络。如图1所示，该BP网络具有一个输入层，两个隐含层(也称中间层)和一个输出层组成，各层之间实行全连接。BP神经网络的隐含层通常具有多个，其传输函数常常采用sigmoid函数，而输入输出层则采用线性传输函数。 　　误差反向传播算法的主要思想是把学习过

  3. 所属分类：其它

    • 发布日期：2020-11-11
    • 文件大小：248832
    • 提供者：weixin_38700779

  1. C++实现简单BP神经网络

  2. 本文实例为大家分享了C++实现简单BP神经网络的具体代码，供大家参考，具体内容如下 实现了一个简单的BP神经网络 使用EasyX图形化显示训练过程和训练结果 使用了25个样本，一共训练了1万次。 该神经网络有两个输入，一个输出端 下图是训练效果，data是训练的输入数据，temp代表所在层的输出，target是训练目标，右边的大图是BP神经网络的测试结果。 以下是详细的代码实现，主要还是基本的矩阵运算。 #include #include #include #include #inc

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：58368
    • 提供者：weixin_38633475

  1. 卷积网络中的感受野详解

  2. 感受野的概念 在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域，如图1所示。 2. 感受野的例子 （1）两层33的卷积核卷积操作之后的感受野是55，其中卷积核（filter）的步长（stride）为1、padding为0，如图2所示： 图2：两层33卷积核操作的感受野是55 （2）三层33卷积核操作之后的感受野是77，其中卷积核的

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：201728
    • 提供者：weixin_38742421

  1. 深度学习8-卷积神经网络基础

  2. 卷积神经网络基础二维卷积层互相关运算与卷积运算特征图与感受野卷积层的两个超参数多输入通道和多输出通道卷积层与全连接层的对比卷积层的实现池化 主要是卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义。最常见的是二维卷积层，常用于处理图像数据。 二维卷积层 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：135168
    • 提供者：weixin_38555350

  1. xshinnosuke:由Numpy纯粹实现的深度学习框架，通过GPU加速支持动态图和静态图-源码

  2. XShinnosuke：深度学习框架 内容描述 XShinnosuke（短XS）是一个高层次的神经网络框架，两个动态图形和静态图形支撑，并具有几乎相同的API来Keras和Pytorch略有差异。它仅由Python编写，致力于快速实现实验。 这是XS的一些功能： 基于Cupy （GPU版本）/ Numpy ，原生于Python。 没有任何其他第三方深度学习库。 Keras和Pytorch风格的API ，易于启动。 支持常用层，例如： Dense，Conv2D，MaxPooling2D，LSTM

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：23068672
    • 提供者：weixin_42107165

  1. 卷积神经网络知识学习笔记

  2. 本文来自简书，本文主要讲解了卷积神经网络知识，包括卷积层和池化层的介绍，希望对您的学习有所帮助。卷积神经网络（CNN）是含有卷积层（convolutionallayer）的神经网络，二维卷积层有高和宽两个空间维度，常用来处理图像数据。虽然卷积层得名于卷积（convolution）运算，但我们通常在卷积层中使用更加直观的互相关（cross-correlation）运算。关于卷积运算和互相关运算的关系可以查看这里。二维卷积层输出的二维数组可以看作是输入在空间维度（宽和高）上某一级的表征，也叫特征图（

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：242688
    • 提供者：weixin_38743076

  1. 基于双通道卷积神经网络的深度图超分辨研究

  2. 目前直接获取的深度图受其成像原理及硬件设备等因素的限制,存在分辨率低、边缘信息丢失等缺点,极大地影响了深度图的应用。针对这一问题，提出基于双通道卷积神经网络的深度图超分辨率重建模型。该模型由深、浅两个通道组成，21层的深层通道通过联合卷积与反卷积，结合跳跃连接与多尺度理论，实现深度图细节特征的快速学习；3层的浅层通道用于学习深度图的轮廓特征；最后融合深、浅两个通道，将细节与轮廓相结合，实现由低分辨率深度图到高分辨率深度图的端到端的学习。该模型充分利用卷积神经网络的学习能力自主提取深度图的有效特征

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：3145728
    • 提供者：weixin_38699613

  1. SuperGluePretrainedNetwork：SuperGlue：与图神经网络匹配的学习功能（CVPR 2020，口腔）-源码

  2. 研究 Magic Leap（CVPR 2020，口腔） SuperGlue推理和评估演示脚本 介绍 SuperGlue是在Magic Leap完成的2020 CVPR研究项目。 SuperGlue网络是一个图形神经网络，结合了最佳匹配层，该层经过训练可以对两组稀疏图像特征进行匹配。 此存储库包含PyTorch代码和预训练权重，用于在关键点和描述符之上运行SuperGlue匹配网络。 给定一对图像，您可以使用此存储库在整个图像对中提取匹配特征。 SuperGlue充当“中端”，在单个端到端体系结

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：119537664
    • 提供者：weixin_42131276

  1. 基于RGBD图像和卷积神经网络的快速道路检测

  2. 针对移动平台有限的计算资源以及基于彩色图像的道路检测方法在极端光照情况下及路面类型变化时存在的不足, 提出了一种融合彩色图像和视差图像的基于9层卷积神经网络的快速道路检测算法。提出一种数据输入层预处理方法, 将视差图变换为视差梯度图以强化地面特征, 降低网络深度需求。所提两种网络结构为双通道后融合网络和单通道前融合网络, 分别用于卷积特征分析和快速道路检测。实验使用KITTI道路检测数据集并人为划分为普通和困难两组数据集, 对该算法进行实验对比和分析, 结果表明：与基于彩色图像的卷积神经网络方法

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：11534336
    • 提供者：weixin_38705873

  1. 卷积神经网络知识学习笔记

  2. 本文来自简书，本文主要讲解了卷积神经网络知识，包括卷积层和池化层的介绍，希望对您的学习有所帮助。卷积神经网络（CNN）是含有卷积层（convolutionallayer）的神经网络，二维卷积层有高和宽两个空间维度，常用来处理图像数据。虽然卷积层得名于卷积（convolution）运算，但我们通常在卷积层中使用更加直观的互相关（cross-correlation）运算。关于卷积运算和互相关运算的关系可以查看这里。二维卷积层输出的二维数组可以看作是输入在空间维度（宽和高）上某一级的表征，也叫特征图（

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：242688
    • 提供者：weixin_38627826

  1. 基于迁移学习和深度卷积神经网络的乳腺肿瘤诊断系统

  2. 乳腺肿瘤计算机辅助诊断(CAD)系统在医学检测和诊断中的应用日益重要。为了区分核磁共振图像(MRI)中肿瘤与非肿瘤，利用深度学习和迁移学习方法，设计了一种新型乳腺肿瘤CAD系统：1）对数据集进行不平衡处理和数据增强；2）在MRI数据集上，利用卷积神经网络（CNN）提取CNN特征，并利用相同的支持向量机分类器，计算每层CNN的特征图的分类F1分数，选取分类性能最高的一层作为微调节点，其后维度较低层为连接新网络节点；3）在选取的网络接入节点，连接新设计的两层全连接层组成新的网络，利用迁移学习，对新网

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：7340032
    • 提供者：weixin_38686542

  1. 《动手学深度学习》卷积神经网络基础；leNet；卷积神经网络进阶

  2. 卷积神经网络基础；leNet；卷积神经网络进阶卷积神经网络基础二位互相关运算二维卷积层互相关运算与卷积运算特征图与感受野填充和步幅填充：在输入的高宽两侧填充元素，通常填充0。步幅：卷积核在输入数组上每次滑动的行数列数。多输入通道和多输出通道1×11×11×1卷积层池化LeNetLeNet模型卷积神经网络进阶AlexNet使用重复元素的网络（VGG）网络中的网络（NIN）GoogleNet 卷积神经网络基础 介绍的是最常见的二维卷积层，常用于处理图像数据。 二位互相关运算 卷积核数组在输入数组上

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：516096
    • 提供者：weixin_38522636

  1. 基于卷积神经网络的多尺度Logo检测算法

  2. 针对自然场景图像中多尺度Logo的检测需求，提出了一种基于卷积神经网络的多尺度Logo检测算法。该算法基于两阶段目标检测的实现思路，通过构建特征金字塔并采取逐层预测的方式实现多尺度候选区域的生成，通过融合卷积神经网络中的多层特征图以增强特征的表达能力。在FlickrLogos-32数据集上的实验结果显示，相比基线方法，所提算法能够提升生成候选区域的召回率，并且在保证大中尺度 Logo 检测精度的前提下，提升小尺度Logo的检测性能，验证了所提算法的优越性。

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：11534336
    • 提供者：weixin_38732463
« 12 3 »