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. 二维卷积的c程序，试试用用吧

  2. 二维卷积的c程序 可以对卷积计算有初步了解，拿来用也可以啊

  3. 所属分类：C

    • 发布日期：2010-01-29
    • 文件大小：23552
    • 提供者：guesthope

  1. 二维卷积运算之C语言实现二维卷积运算之C语言实现

  2. 二维卷积运算之C语言实现二维卷积运算之C语言实现 二维卷积运算之C语言实现二维卷积运算之C语言实现

  3. 所属分类：C

    • 发布日期：2010-09-18
    • 文件大小：97280
    • 提供者：myhouseok

  1. ADI BF535 DSP 3 3的二维卷积汇编优化源码

  2. ADI BF535 DSP 3 3的二维卷积汇编优化源码

  3. 所属分类：C

    • 发布日期：2012-03-04
    • 文件大小：11264
    • 提供者：icu13

  1. 二维卷积之C语言实现

  2. 二维卷积 完整的C代码实现，给出简单的实力

  3. 所属分类：专业指导

    • 发布日期：2012-07-03
    • 文件大小：25600
    • 提供者：wangfei0117

  1. 二维图像卷积matlab程序

  2. 图像处理中用于两幅图像卷积的matlab程序，他的基本功能与conv2相同，但对于较大的图像可能有溢出错误

  3. 所属分类：其它

    • 发布日期：2013-05-07
    • 文件大小：853
    • 提供者：u010602623

  1. 二维卷积过滤器

  2. 二维卷积过滤器 convolutionfilter dubug convolutionfilter.sdf convolutionfilter.sln

  3. 所属分类：C/C++

    • 发布日期：2014-09-15
    • 文件大小：6291456
    • 提供者：u013709373

  1. 二维卷积的c实现，很好的算法

  2. 二维卷积的c语言实现，若x为N1*M1的二维信号，y为N2*M2的二维信号，则卷积为(N1+N2-1)*(M1+M2-1)的信号 z(i,j)=∑ ∑x(m,n)y(i-m,j-n) m n

  3. 所属分类：C

    • 发布日期：2008-10-29
    • 文件大小：23552
    • 提供者：zyyhwj

  1. matlab关于二维卷积函数

  2. 自己编写的关于二维卷积的matlab代码，没有调用系统函数，可以直接使用

  3. 所属分类：其它

    • 发布日期：2018-06-19
    • 文件大小：931
    • 提供者：shangduzui

  1. 二维卷积算法的C#实现

  2. C#简单实现的二维卷积算法，可以直接使用， double[] conv2(double[] X, double[] Y)

  3. 所属分类：算法与数据结构

  1. 卷积神经网络的概述论文：分析、应用和展望（21页全文）.pdf

  2. 在这篇综述中，我们的目标是在这个快速增长的领域提供尽可能多的新想法和前景。不仅涉及到二维卷积，还涉及到一维和多维卷积。首先，这篇综述首先简单介绍了CNN的历史。第二，我们提供CNN的概述。第三，介绍了经典的和先进的CNN模型，特别是那些使他们达到最先进的结果的关键点。第四，通过实验分析，得出一些结论，并为函数选择提供一些经验法则。第五，介绍了一维、二维和多维卷积的应用。最后，讨论了CNN的一些有待解决的问题和有发展前景的方向，为今后的工作提供参考。

  3. 所属分类：机器学习

    • 发布日期：2020-04-07
    • 文件大小：3145728
    • 提供者：syp_net

  1. 使用一维卷积和二维卷积实现MNIST数据集分类

  2. 使用一维卷积 conv1D 和二维卷积 Conv2D 两种方法实现 MNIST 数据集分类，准确率达到 97.91%、 98.74%

  3. 所属分类：深度学习

    • 发布日期：2020-03-21
    • 文件大小：11534336
    • 提供者：m0_37602827

  1. 基于深度时空卷积神经网络的人群异常行为检测和定位

  2. 针对公共场合人群异常行为检测准确率不高和训练样本缺乏的问题，提出一种基于深度时空卷积神经网络 的人群异常行为检测和定位的方法。首先针对监控视频中人群行为的特点，综合利用静态图像的空间特征和前后帧 的时间特征，将二维卷积扩展到三维空间，设计面向人群异常行为检测和定位的深度时空卷积神经网络；为了定位 人群异常行为，将视频分成若干子区域，获取视频的子区域时空数据样本，然后将数据样本输入设计的深度时空卷 积神经网络进行训练和分类，实现人群异常行为的检测与定位。同时，为了解决深度时空卷积神经网络训练时样本

  3. 所属分类：算法与数据结构

    • 发布日期：2019-04-06
    • 文件大小：762880
    • 提供者：weixin_44684342

  1. Pytorch 卷积中的 Input Shape用法

  2. 先看Pytorch中的卷积 class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) 二维卷积层, 输入的尺度是(N, C_in,H,W)，输出尺度（N,C_out,H_out,W_out）的计算方式 这里比较奇怪的是这个卷积层居然没有定义input shape，输入尺寸明明是：（N, C_in, H，W），但是定义中

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：153600
    • 提供者：weixin_38672794

  1. 基于keras的卷积神经网络（CNN）

  2. 1 前言 本文以MNIST手写数字分类为例，讲解使用一维卷积和二维卷积实现 CNN 模型。关于 MNIST 数据集的说明，见使用TensorFlow实现MNIST数据集分类。实验中主要用到 Conv1D 层、Conv2D 层、MaxPooling1D 层和 MaxPooling2D 层，其参数说明如下： （1）Conv1D Conv1D(filters, kernel_size, strides=1, padding='valid', dilation_rate=1, activation=N

  3. 所属分类：其它

    • 发布日期：2020-12-22
    • 文件大小：58368
    • 提供者：weixin_38744375

  1. Python使用scipy模块实现一维卷积运算示例

  2. 本文实例讲述了Python使用scipy模块实现一维卷积运算。分享给大家供大家参考，具体如下： 一 介绍 signal模块包含大量滤波函数、B样条插值算法等等。下面的代码演示了一维信号的卷积运算。 二 代码 import numpy as np import scipy.signal x = np.array([1,2,3]) h = np.array([4,5,6]) print(scipy.signal.convolve(x, h))#一维卷积运算 三 运行结果 [ 4 13 28 2

  3. 所属分类：其它

    • 发布日期：2021-01-01
    • 文件大小：39936
    • 提供者：weixin_38657290

  1. 卷积神经网络基础

  2. 1.二维互相关运算：由二维的输入数组和二维的核数组得到一个二维的输出数组。 这个二维的核数组通常称为卷积核或过滤器（filter），它的高度和宽度一般比输入数组小。 二维卷积层是将输入与卷积核做互相关运算，再加一个标量偏置。因此卷积层的模型参数就包括卷积核和标量偏置。 2.特征图（feature map）：简单来说就是指输出数组，因为它可以看作是输入在空间维度（高和宽）上的某一级表征。 感受野（receptive field）：输出数组上的某一个数y可以被输入数组上的哪些数字x所影响，这些x就是

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：59392
    • 提供者：weixin_38714761

  1. 深度学习d5：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 卷积神经网络：包括卷积层、池化层 二维卷积层： 最常用，用于处理图像数据，将输入和卷积核做互相关运算，并加上一个标量偏置来得到输出。 其模型参数=卷积核+标量偏置。 训练模型的时候，通常我们先对卷积核随机初始化，然后不断迭代卷积核和偏差，即可通过数据学习核数组。每次迭代中，将输出与真实值进行比较，然后计算梯度进行更新。 可用来进行图像边缘检测。 互相关运算和卷积运算： 两者十分相似，将核数组上下翻转、左右翻转，再与输入数组做互相关运算，这一过程就是卷积运算。两者都是学习出来的，

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：43008
    • 提供者：weixin_38548394

  1. 《动手学深度学习——卷积神经网络、LeNet、卷积神经网络进阶》笔记

  2. 动手学深度学习：卷积神经网络，LeNet，卷积神经网络进阶 卷积神经网络基础 目录： 1、卷积神经网络的基础概念 2、卷积层和池化层 3、填充、步幅、输入通道和输出通道 4、卷积层的简洁实现 5、池化层的简洁实现 1、卷积神经网络的基础概念 最常见的二维卷积层，常用于处理图像数据。 二维互相关运算 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

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：135168
    • 提供者：weixin_38630571

  1. 动手学深度学习（五）：卷积神经网络

  2. 卷积神经网络基础 卷积神经网络（convolutional neural network）是含有卷积层（convolutional layer）的神经网络。本文中介绍的卷积神经网络均使用最常见的二维卷积层。它有高和宽两个空间维度，常用来处理图像数据。本文中，我们将介绍简单形式的二维卷积层的工作原理。 1、二维互相关运算 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。在二维卷积层中，一个二维输入数组和一个二维

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：101376
    • 提供者：weixin_38653085

  1. 基于三维卷积神经网络的肺结节识别研究

  2. 针对传统计算机辅助检测系统中肺结节检测存在大量假阳性的问题,提出一种基于三维卷积神经网络的肺结节识别方法。首先,将传统二维卷积神经网络扩展为三维卷积神经网络,充分挖掘肺结节的三维特征,增强特征的表达能力;其次,将密集连接网络与SENet相结合,在加强特征传递和复用的同时,通过特征重标定自适应学习特征权重;另外,引入focal loss作为网络的分类损失函数,提高对难样本的学习。在LUNA16数据集上的实验结果表明:与当前的主流深度学习算法相比,所提网络模型在平均每组CT图像中假阳个数为1和4时的

  3. 所属分类：其它

    • 发布日期：2021-02-11
    • 文件大小：2097152
    • 提供者：weixin_38694336
« 12 3 4 5 6 7 8 9 10 ... 14 »