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. 卷积神经网络详述

  2. 卷积神经网络是近年来广泛应用于模式识别、图像处理等领域的一种高效识别算法,它具有结构简 单、训练参数少和适应性强等特点。本文从卷积神经网络的发展历史开始,详细阐述了卷积神经网络的网 络结构、神经元模型和训练算法。在此基础上以卷积神经网络在人脸检测和形状识别方面的应用为例,简 单介绍了卷积神经网络在工程上的应用,并给出了设计思路和网络结构

  3. 所属分类：专业指导

    • 发布日期：2013-05-08
    • 文件大小：562176
    • 提供者：qiaofangjie

  1. 卷积神经元网络C#源码(VS 2013)

  2. 网上卷积神经元网络用C++实现的较多，但使用起来很不方便，原因是需要配第三方库，多数情况配不对。本事例是用C#语言实现的网上卷积神经元网络。包含全部源码，供大家学习之用。另外，本事例还带有CIFAR-10数据，只要装有VS 2013就可以使用。

  3. 所属分类：C#

    • 发布日期：2015-05-14
    • 文件大小：30408704
    • 提供者：junxian_chen999

  1. 卷积神经网络报告

  2. 卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络。

  3. 所属分类：深度学习

    • 发布日期：2018-03-22
    • 文件大小：2097152
    • 提供者：qq_26854349

  1. 基于卷积神经网络的矿工面部表情识别方法

  2. 针对传统的矿工面部表情识别方法识别率较低、算法复杂等问题,以卷积神经网络为基础,结合支持向量机算法中的非线性映射函数,提出了基于卷积神经网络的矿工面部表情识别方法。卷积神经网络采用权值共享的策略,运用固定权值直接构造卷积层,并依照匹配生长规则确定网络层次结构。将经过预处理的矿工面部表情图像作为卷积神经网络的测试集和训练集,使用支持向量机对表征矿工面部表情特征的神经元进行分类,从而实现对矿工面部表情的分类识别。实验结果表明,该方法对矿工面部表情的识别率达到90.71%,能够满足实际应用需要。

  3. 所属分类：其它

    • 发布日期：2020-04-25
    • 文件大小：1048576
    • 提供者：weixin_38558054

  1. 卷积神经网络研究综述_周飞燕.pdf

  2. 该文首先概述了卷积神经网络的发展历史,然后分别描述了神经元模型、多层感知器的结构.接着,详细分析了卷积神经网络的结构,包括卷积层、池化层、全连接层,它们发挥着不同的作用.然后,讨论了网中网模型、空间变换网络等改进的卷积神经网络.同时,还分别介绍了卷积神经网络的监督学习、无监督学习训练方法以及一些常用的开源工具.此外,该文以图像分类、人脸识别、音频检索、心电图分类及目标检测等为例,对卷积神经网络的应用作了归纳.卷积神经网络与递归神经网络的集成是一个途径.为了给读者以尽可能多的借鉴,该文还设计并试验

  3. 所属分类：深度学习

    • 发布日期：2020-04-02
    • 文件大小：3145728
    • 提供者：olivia_ye

  1. 实验-卷积神经元网络手写体数字识别.docx

  2. 实验-卷积神经元网络手写体数字识别.docx

  3. 所属分类：Python

    • 发布日期：2019-12-30
    • 文件大小：14336
    • 提供者：qq_43371778

  1. 基于CUDA技术的卷积神经网络识别算法

  2. 基于CUDA技术的卷积神经网络识别算法For idy=l To n Do 浮点运算能力表现平稳,呈线性态势。 使用共享存備器( shared memory)收集数据 Thread[idx*pitch+]i1 FMi[e(idx, idy)]=( shared double) 4039 result: End for x烂 2.0358 (2)算法结束 1.772 43识别分类算法DCL 识别分类算法DCL如下 (1)Fori1 To nxn do(并行地) 在 Device的共享内存内初始化分类

  3. 所属分类：机器学习

    • 发布日期：2019-04-19
    • 文件大小：975872
    • 提供者：suiyu_eran

  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. 浅谈pytorch卷积核大小的设置对全连接神经元的影响

  2. 今天小编就为大家分享一篇浅谈pytorch卷积核大小的设置对全连接神经元的影响，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

  3. 所属分类：其它

    • 发布日期：2020-09-18
    • 文件大小：66560
    • 提供者：weixin_38717980

  1. Tensorflow实现卷积神经网络的详细代码

  2. 本文实例为大家分享了Tensorflow实现卷积神经网络的具体代码，供大家参考，具体内容如下 1.概述 定义： 卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(alternating convolutional layer)和池层(pooling layer)。 卷积层（convolutional layer）： 对输入数据应用若干过滤器，一个输入参

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：78848
    • 提供者：weixin_38631599

  1. tensorflow实现简单的卷积神经网络

  2. 本文实例为大家分享了Android九宫格图片展示的具体代码，供大家参考，具体内容如下 一．知识点总结 1.  卷积神经网络出现的初衷是降低对图像的预处理，避免建立复杂的特征工程。因为卷积神经网络在训练的过程中，自己会提取特征。 2.   灵感来自于猫的视觉皮层研究，每一个视觉神经元只会处理一小块区域的视觉图像，即感知野。放到卷积神经网络里就是每一个隐含节点只与设定范围内的像素点相连（设定范围就是卷积核的尺寸），而全连接层是每个像素点与每个隐含节点相连。这种感知野也称之为局部感知。 例如，一张10

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：74752
    • 提供者：weixin_38741317

  1. 浅谈pytorch卷积核大小的设置对全连接神经元的影响

  2. 3*3卷积核与2*5卷积核对神经元大小的设置 #这里kerner_size = 2*5 class CONV_NET(torch.nn.Module): #CONV_NET类继承nn.Module类 def __init__(self): super(CONV_NET, self).__init__() #使CONV_NET类包含父类nn.Module的所有属性 # super()需要两个实参，子类名和对象self self.conv1 = nn.Conv2d(1, 32, (2

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：68608
    • 提供者：weixin_38670949

  1. 卷积神经网络CNN以及几种经典模型

  2. 简介 CNN -> Convolutional Neural Network 卷积神经网络是由一个或多个卷积层和顶端的全连通层（也可以使用1×1的卷积层作为最终的输出）组成的一种前馈神经网络 基本概念 局部感受野(Local Receptive Fields) 一般的神经网络往往会把图像的每一个像素点连接到全连接的每一个神经元中，而卷积神经网络则是把每一个隐藏节点只连接到图像的某个局部区域，从而减少参数训练的数量。 例如，一张1024×720的图像，使用9×9的感受野，则只需要81个权值参

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：723968
    • 提供者：weixin_38520258

  1. 卷积神经基础笔记

  2. 卷积神经基础笔记 课后习题： 假如你用全连接层处理一张256X256的彩色（RGB）图像，输出包含1000个神经元，在使用偏置的情况下，参数数量是：19660900 解析：图像展平后长度为3X256X256，权重参数和偏置参数的数量是3X256X256X1000+1000=19660900 假设用全连接层处理一张256X256的彩色RGB图像，卷积核的高宽是3X3，输出包含10个通道，在使用偏置的情况下，这个卷积层共有多少个参数：280 输入通道数是3，输出通道数是10，所以参数是10X3X3X

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：58368
    • 提供者：weixin_38740596

  1. TASK05-卷积神经网络基础-AlexNet-Lexnet

  2. 卷积神经网络基础-主要是一些概念性的内容，一做题目，几乎全部错误了，悲剧呀。 把题目和解析放下面。 1. 假如你用全连接层处理一张256×256256 \times 256256×256的彩色（RGB）图像，输出包含1000个神经元，在使用偏置的情况下，参数数量是： 65536001 65537000 196608001 196609000 答案解释 图像展平后长度为3×256×2563 \times 256 \times 2563×256×256，权重参数和偏置参数的数量是3×256×256×

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：76800
    • 提供者：weixin_38601446

  1. 基于WinCL的最小过滤算法的基于OpenCL的FPGA加速器，用于卷积神经元网络

  2. 基于WinCL的最小过滤算法的基于OpenCL的FPGA加速器，用于卷积神经元网络

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：1048576
    • 提供者：weixin_38747592

  1. 卷积神经网络（CNN）在无人驾驶中的应用

  2. 无人驾驶的感知部分作为计算机视觉的领域范围，也不可避免地成为CNN发挥作用的舞台。本文是无人驾驶技术系列的第八篇，深入介绍CNN（卷积神经网络）在无人驾驶3D感知与物体检测中的应用。卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种适合使用在连续值输入信号上的深度神经网络，比如声音、图像和视频。它的历史可以回溯到1968年，Hubel和Wiesel在动物视觉皮层细胞中发现的对输入图案的方向选择性和平移不变性，这个工作为他们赢得了诺贝尔奖。时间推进到上世纪80年代，

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：599040
    • 提供者：weixin_38699593

  1. 深度学习与卷积神经网络

  2. 本文来自于个人微博，本文通过几种比较流行的卷积神经网络的结构图，简单的介绍了卷积审计网络的定义。简单来说，卷积(或内积)就是一种先把对应位置相乘然后再把结果相加的运算。(具体含义或者数学公式可以查阅相关资料)如下图就表示卷积的运算过程：（图1）卷积运算一个重要的特点就是，通过卷积运算，可以使原信号特征增强，并且降低噪音.这里以常用的激活函数sigmoid为例：把上述的计算结果269带入此公式，得出f(x)=1如图是一个人工神经元的模型：（图2）对于每一个神经元，都包含以下几部分：x:表示输入w:

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：513024
    • 提供者：weixin_38570459

  1. 从线性分类器到卷积神经网络

  2. 本文来自于网络，本文大致分成两大部分，第一部分尝试将本文涉及的分类器统一到神经元类模型中，第二部分阐述卷积神经网络（CNN）的发展简述和目前的相关工作。本文涉及的分类器（分类方法）有：线性回归逻辑回归（即神经元模型）神经网络（NN）支持向量机（SVM）卷积神经网络（CNN）从神经元的角度来看，上述分类器都可以看成神经元的一部分或者神经元组成的网络结构。说逻辑回归之前需要简述一下线性回归。图1单变量的线性回归图1中描述了一个单变量的线性回归模型：蓝点代表自变量x的分布——显然x呈现线性分布。于是我

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：463872
    • 提供者：weixin_38632046

  1. 一文让你彻底了解卷积神经网络

  2. 本文来自csdn，文章先来卷积神经网络和全连接神经网络对比，接着让我们直观理解卷积，卷积计算流程，结合案例进行相关的介绍。卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(convolutionallayer)和池化层(poolinglayer)。对比：卷积神经网络、全连接神经网络左图：全连接神经网络（平面），组成：输入层、激活函数、全连接层右图：卷积神经网络

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：1048576
    • 提供者：weixin_38744526
« 12 3 4 5 »