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. 改进的卷积神经网络在行人检测中的应用_谢林江.pdf

  2. 针对当前行人检测方法计算量大，行人特征提取复杂，检测结果易受复杂背景影响等问题，提出一种 改进的卷积神经网络（convolutional neural network，CNN）模型。该模型在传统 CNN基础上加入选择性注意 层，模拟人眼的选择性注意功能，过滤复杂背景，突出行人特征。分别采用 LBP（local binary pattern）纹理处理 和梯度处理对选择性注意层进行训练，对比训练结果得到最优模型。分别在INRIA、NICTA和Daimler行人数 据集上进行实验，结果表明，该模型在

  3. 所属分类：深度学习

    • 发布日期：2019-05-16
    • 文件大小：4194304
    • 提供者：weixin_42262981

  1. 深度学习卷积神经网络可检测和分类番茄植物叶病

  2. 番茄作物是市场上的重要主食，并且是日常食用的最常见的作物之一。 植物或农作物疾病导致生产质量和数量下降； 因此，对这些疾病的检测和分类非常必要。 感染番茄植物的疾病有很多类型，例如细菌斑，晚疫病，裁缝叶斑，番茄花叶和黄色弯曲。 早期发现植物病害可提高产量并提高其质量。 当前，智能方法已被广泛用于检测和分类这些疾病。 这种方法可以帮助农民识别类型吗？ 感染农作物的疾病 当前工作的主要目的是应用一种现代技术来识别和分类疾病。 智能技术基于使用卷积神经网络（CNN）的技术，而卷积神经网络是机器学习的一

  3. 所属分类：其它

    • 发布日期：2020-05-13
    • 文件大小：1048576
    • 提供者：weixin_38694566

  1. 卷积神经网络CNN笔记（理解CNN数学原理的指南）.pdf

  2. 卷积神经网络是深度学习中的基础模型。南京大学吴建鑫教授的「卷积神经网络CNN」笔记，35页pdf初学者学习指南理解CNN数学原理。

  3. 所属分类：机器学习

    • 发布日期：2020-02-24
    • 文件大小：791552
    • 提供者：syp_net

  1. 机器学习-14. 卷积神经网络深入、AlexNet模型

  2. 人工智能基础视频教程零基础入门课程 第十四章 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 Tenso

  3. 所属分类：机器学习

    • 发布日期：2020-07-16
    • 文件大小：708837376
    • 提供者：suolong123

  1. 机器学习-13. 卷积神经网络、CNN识别图片（下）

  2. 人工智能基础视频教程零基础入门课程 第十三章（下） 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 Te

  3. 所属分类：机器学习

    • 发布日期：2020-07-16
    • 文件大小：1002438656
    • 提供者：suolong123

  1. 机器学习-13. 卷积神经网络、CNN识别图片（上）

  2. 人工智能基础视频教程零基础入门课程 第十三章（上） 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 Te

  3. 所属分类：机器学习

    • 发布日期：2020-07-16
    • 文件大小：832569344
    • 提供者：suolong123

  1. 机器学习-11. DNN深度神经网络手写图片识别

  2. 人工智能基础视频教程零基础入门课程 第十一章 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 Tenso

  3. 所属分类：机器学习

    • 发布日期：2020-07-16
    • 文件大小：529530880
    • 提供者：suolong123

  1. PyTorch上实现卷积神经网络CNN的方法

  2. 一、卷积神经网络 卷积神经网络（ConvolutionalNeuralNetwork，CNN）最初是为解决图像识别等问题设计的，CNN现在的应用已经不限于图像和视频，也可用于时间序列信号，比如音频信号和文本数据等。CNN作为一个深度学习架构被提出的最初诉求是降低对图像数据预处理的要求，避免复杂的特征工程。在卷积神经网络中，第一个卷积层会直接接受图像像素级的输入，每一层卷积（滤波器）都会提取数据中最有效的特征，这种方法可以提取到图像中最基础的特征，而后再进行组合和抽象形成更高阶的特征，因此CNN在

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：67584
    • 提供者：weixin_38564718

  1. TensorFlow实现卷积神经网络CNN

  2. 一、卷积神经网络CNN简介 卷积神经网络（ConvolutionalNeuralNetwork，CNN）最初是为解决图像识别等问题设计的，CNN现在的应用已经不限于图像和视频，也可用于时间序列信号，比如音频信号和文本数据等。CNN作为一个深度学习架构被提出的最初诉求是降低对图像数据预处理的要求，避免复杂的特征工程。在卷积神经网络中，第一个卷积层会直接接受图像像素级的输入，每一层卷积（滤波器）都会提取数据中最有效的特征，这种方法可以提取到图像中最基础的特征，而后再进行组合和抽象形成更高阶的特征，因

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：83968
    • 提供者：weixin_38736721

  1. TensorFlow深度学习之卷积神经网络CNN

  2. 一、卷积神经网络的概述 卷积神经网络（ConvolutionalNeural Network，CNN）最初是为解决图像识别等问题设计的，CNN现在的应用已经不限于图像和视频，也可用于时间序列信号，比如音频信号和文本数据等。CNN作为一个深度学习架构被提出的最初诉求是降低对图像数据预处理的要求，避免复杂的特征工程。在卷积神经网络中，第一个卷积层会直接接受图像像素级的输入，每一层卷积（滤波器）都会提取数据中最有效的特征，这种方法可以提取到图像中最基础的特征，而后再进行组合和抽象形成更高阶的特征，因此

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：141312
    • 提供者：weixin_38682279

  1. Tensorflow卷积神经网络实例

  2. CNN最大的特点在于卷积的权值共享结构，可以大幅减少神经网络的参数量，防止过拟合的同时又降低了神经网络模型的复杂度。在CNN中，第一个卷积层会直接接受图像像素级的输入，每一个卷积操作只处理一小块图像，进行卷积变化后再传到后面的网络，每一层卷积都会提取数据中最有效的特征。这种方法可以提取到图像中最基础的特征，比如不同方向的边或者拐角，而后再进行组合和抽象形成更高阶的特征。 一般的卷积神经网络由多个卷积层构成，每个卷积层中通常会进行如下几个操作： 图像通过多个不同的卷积核的滤波，并加偏置（b

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：95232
    • 提供者：weixin_38661800

  1. 《动手学习深度学习》之三：1.卷积神经网络（CNN）基础（打卡2.4）

  2. 卷积神经网络（CNN） 1.卷积神经网络基础 1.1.基础概念 1.1.1.卷积层 1.1.2.填充、步幅、输入通道、输出通道的含义 1.1.3.池化层 1.1.4.二维互相关运算 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）。 import torch import torch.nn as nn def corr2d(X, K): H, W = X

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：644096
    • 提供者：weixin_38608378

  1. Deep_Learning_Task05: 卷积神经网络(CNN)/LeNet

  2. 卷积神经网络基础 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以和二维核数组，输出也是一个二维数组，其中核数组通常成为卷积和或滤波器（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，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和，得到输出数组中相应位置的元素 import torch import torch.nn as nn def corr2d(X, K): H, W = X.shape

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：351232
    • 提供者：weixin_38663544

  1. 卷积神经网络基础（CNN)

  2. 文章目录卷积神经网络基础二维互相关运算二维卷积层互相关运算与卷积运算特征图和感受野填充和步幅填充步幅多输入通道和多输出通道多输入通道多输出通道1×1卷积层卷积层与全连接层的比较卷积层的pytorch实现池化层二维池化层池化层的pytorch实现 卷积神经网络基础 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核（kernel）数组通过互相关运算输出一

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：132096
    • 提供者：weixin_38604653

  1. 从零开始搭建神经网络-卷积神经网络(CNN)

  2. 本文来自csdn，本文主要通过代码实例详细介绍了卷积神经网络（CNN）架构中的卷积层，池化层和全连接层，希望对您的学习有所帮助。卷积神经网络的基础内容可以参考：机器学习算法之卷积神经网络卷积神经网络一般包括卷积层，池化层和全连接层，下面分别介绍一下2.1卷积层卷积神经网络里面的这个卷积和信号里面的卷积是有些差别的，信号中的卷积计算分为镜像相乘相加，卷积层中的卷积没有镜像这一操作，直接是相乘和相加，如下图所示最左边的是卷积的输入，中间的为卷积核，最右边的为卷积的输出。可以发现卷积计算很简单，就是卷

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：385024
    • 提供者：weixin_38719702

  1. 卷积神经网络及其在图像处理中的应用

  2. 卷积神经网络（ConstitutionalNeuralNetworks,CNN）是在多层神经网络的基础上发展起来的针对图像分类和识别而特别设计的一种深度学习方法。先回顾一下多层神经网络:多层神经网络包括一个输入层和一个输出层，中间有多个隐藏层。每一层有若干个神经元，相邻的两层之间的后一层的每一个神经元都分别与前一层的每一个神经元连接。在一般的识别问题中，输入层代表特征向量，输入层的每一个神经元代表一个特征值。在图像识别问题中，输入层的每一个神经元可能代表一个像素的灰度值。但这种神经网络用于图像识

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：467968
    • 提供者：weixin_38527987

  1. 图像质量评估：卷积神经网络可预测图像的美学和技术质量-源码

  2. 图像质量评估 该存储库基于Google的研究论文提供了美学和技术图像质量模型的实现。 您可以在他们的上找到快速介绍。 NIMA包含两个模型，分别用于预测图像的美学和技术质量。 通过转移学习对模型进行训练，其中将ImageNet预先训练的CNN用于分类任务并对其进行微调。 有关如何将NIMA用于解决特定问题的更多信息，我们在两个博客文章中进行了撰写： NVIDIA开发者博客： 中： 提供的代码允许使用任何预训练模型。 我们还提供Docker映像，用于AWS EC2上的本地CPU培训和远程G

  3. 所属分类：其它

    • 发布日期：2021-01-30
    • 文件大小：71303168
    • 提供者：weixin_42169971

  1. 从零开始搭建神经网络-卷积神经网络(CNN)

  2. 本文来自csdn，本文主要通过代码实例详细介绍了卷积神经网络（CNN）架构中的卷积层，池化层和全连接层，希望对您的学习有所帮助。 卷积神经网络的基础内容可以参考：机器学习算法之卷积神经网络 卷积神经网络一般包括卷积层，池化层和全连接层，下面分别介绍一下 2.1卷积层卷积神经网络里面的这个卷积和信号里面的卷积是有些差别的，信号中的卷积计算

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：375808
    • 提供者：weixin_38547532

  1. 卷积神经网络及其在图像处理中的应用

  2. 卷积神经网络（ConstitutionalNeuralNetworks,CNN）是在多层神经网络的基础上发展起来的针对图像分类和识别而特别设计的一种深度学习方法。先回顾一下多层神经网络: 多层神经网络包括一个输入层和一个输出层，中间有多个隐藏层。每一层有若干个神经元，相邻的两层之间的后一层的每一个神经元都分别与前一层的每一个神经元连接。在一般的识别问题中，输入层代表特征向量，输入层的每一个神经元代表一个特征值。在图像识别问题中，输入层的每一个神经元可能代表一个像素的灰度值

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：467968
    • 提供者：weixin_38731226

  1. 对卷积神经网络CNN的深入研究

  2. 一、基础知识 1.1卷积神经网络(CNN) CNN新出现了卷积层(Convolution层)和池化层(Pooling层), 这两种不同类型的层通常是交替的, 最后通常由一个或多个全连接层组成 卷积网络的核心思想是将：局部感受野、权值共享（或者权值复制）以及时间或空间亚采样(池化)这三种结构思想结合起来获得了某种程度的位移、尺度、形变不变性. 诺贝尔奖获得者神经生理学家Hubel和Wie-sel早在1960年代发现了大脑视觉处理的开始阶段对视觉域的所有部分都作用了同样的局部滤波器,而在视觉处理过程

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：494592
    • 提供者：weixin_38679651
« 12 3 4 »