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. 吴恩达卷积神经网络课件与笔记

  2. 自己整理的吴恩达深度学习第四课（卷积神经网络）的课件，大家一起深度学习吧。

  3. 所属分类：讲义

    • 发布日期：2017-12-22
    • 文件大小：12582912
    • 提供者：qq583083658

  1. 基于卷积神经网络的深度学习算法与应用研究

  2. 基于卷积神经网络的深度学习算法与应用研究 基于卷积神经网络的深度学习算法与应用研究

  3. 所属分类：深度学习

    • 发布日期：2018-01-10
    • 文件大小：6291456
    • 提供者：nikemai

  1. 卷积神经网络研究综述

  2. 近年来，卷积神经网络在图像分类、目标检测、图像语义分割等领域取得了一系列突破性的研究成果，其强大的特征学习与分类能力引起了广泛的关注，具有重要的分析与研究价值。首先回顾了卷积神经网络的发展历史，介绍了卷积神经网络的基本结构和运行原理，重点针对网络过拟合、网络结构、迁移学习、原理分析四个方面对卷 积神经网络在近期的研究进行了归纳与分析，总结并讨论了基于卷积神经网络的相关应用领域取得的最新研究成果，最后指出了卷积神经网络目前存在的不足以及未来的发展方向。

  3. 所属分类：深度学习

    • 发布日期：2018-04-20
    • 文件大小：829440
    • 提供者：meng3chen4

  1. 解析卷积神经网络

  2. 深度讲解卷积神经网络，理论、实践与应用 版面清晰，适合学习深度学习、想深入理解卷积神经网络的同学

  3. 所属分类：深度学习

    • 发布日期：2018-04-20
    • 文件大小：44040192
    • 提供者：niuqichaowing

  1. 解析卷积神经网络

  2. 本书从实用角度着重解析了深度学习中的一类神经网络模型——卷积神经网 络，向读者剖析了卷积神经网络的基本部件与工作机理，更重要的是系统性的 介绍了深度卷积神经网络在实践应用方面的细节配置与工程经验。笔者希望本 书“小而精”，避免像某些国外相关书籍一样浅尝辄止的“大而空”。

  3. 所属分类：深度学习

    • 发布日期：2018-08-16
    • 文件大小：50331648
    • 提供者：rocklqy

  1. 基于卷积神经网络的深度学习算法与应用研究

  2. 基于卷积神经网络的深度学习算法与应用研究,卷积神经网络

  3. 所属分类：深度学习

    • 发布日期：2018-01-19
    • 文件大小：9437184
    • 提供者：hlw787075497

  1. 基于卷积神经网络的煤泥浮选泡沫图像分类方法

  2. 当前煤泥浮选泡沫分类研究多针对光照充足条件下泡沫图像,对于夜晚车间光照不足的暗淡图像效果不好。针对这一问题,引入一种利用深度学习的有效浮选泡沫分类方法,建立了一个深度卷积神经网络同时执行特征学习与泡沫分类,逐层运算抽取图像本质信息,过滤光线影响。实验结果表明,在白天强光和夜晚弱光下,无需图像增强等预处理均获得很高的准确率,实现浮选泡沫端到端分类,提高了识别的抗干扰能力。

  3. 所属分类：其它

    • 发布日期：2020-05-09
    • 文件大小：919552
    • 提供者：weixin_38715831

  1. 使用卷积神经网络和设定距离的年龄不变性人脸识别

  2. 基于面部特征的生物特征安全系统由于对象的人内面部外观的变化可追溯到诸如姿势，照明，表情和衰老等因素，因此面临着艰巨的任务。 本文提出了一种深度学习和基于集合的方法来应对衰老的人脸识别。 在不同时间拍摄的每个对象的图像被视为单个集合，然后将其与属于其他对象的图像集进行比较。 使用深度学习的卷积神经网络特征提取面部特征。 我们的实验结果表明，无论是人脸识别还是人脸验证，基于集合的识别方法都比基于单例的方法要好。 我们还发现，通过使用基于集合的识别，比从年龄较大的对象识别年龄较小的对象更容易。

  3. 所属分类：其它

    • 发布日期：2020-06-03
    • 文件大小：1000448
    • 提供者：weixin_38710578

  1. 基于深度学习的卷积神经网络.rar

  2. 基于深度学习的卷积神经网络matlab代码，直接利用matlab自带的CNN工具包设计深度学习网络，代码可以直接运行，也便于修改，主代码很短，很容易理解。提供全套训练数据与测试数据，稀有资源

  3. 所属分类：深度学习

    • 发布日期：2020-06-13
    • 文件大小：33554432
    • 提供者：weixin_39514521

  1. TensorFlow2.0(十)–实现深度可分离卷积神经网络

  2. 深度可分离卷积神经网络1. 深度可分离卷积网络介绍1. 1 深度可分离卷积网络与普通卷积网络1.2 普通卷积与深度可分离卷积计算量对比2. 深度可分离卷积网络实现2.1 导入相应的库2.2 数据集的加载与处理2.3 构建模型2.4 2.4 模型的编译与训练2.5 学习曲线绘制2.6 模型验证 1. 深度可分离卷积网络介绍 1. 1 深度可分离卷积网络与普通卷积网络 深度可分离卷积神经网络是卷积神经网络的一个变种，可以对卷积神经网络进行替代。对于普通的卷积申请网络，如下图左边部分所示，由卷积层，

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：1036288
    • 提供者：weixin_38612095

  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. 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. 《动手学深度学习》卷积神经网络LeNet

  2. 使用全连接层的局限性： 图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。 对于大尺寸的输入图像，使用全连接层容易导致模型过大。 使用卷积层的优势： 卷积层保留输入形状。 卷积层通过滑动窗口将同一卷积核与不同位置的输入重复计算，从而避免参数尺寸过大。 LeNet结构 卷积层块里的基本单位是卷积层后接平均池化层：卷积层用来识别图像里的空间模式，如线条和物体局部，之后的平均池化层则用来降低卷积层对位置的敏感性。 卷积层块由两个这样的基本单位重复堆叠构成。在卷积层块中，

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：112640
    • 提供者：weixin_38582719

  1. 结构-纹理分解下基于深度学习的卷积神经网络的有效去除伪像的方法

  2. 鉴于压缩退化图像的最佳恢复，本文提出了一种基于深度学习的卷积神经网络，在结构纹理分解的基础上，去除块状伪影的有效方法。 首先，通过总变化优化决策将退化图像分解为结构和纹理两部分。 然后，设计一个卷积神经网络以消除纹理部分中存在的阻塞伪像。 最后，将恢复的纹理部分与结构部分进行合成，以形成最终的最佳恢复图像。 实验结果证明了该方法在主观和客观上都可以消除阻塞伪像的性能优势。 最佳还原图像的客观质量指标。

  3. 所属分类：其它

    • 发布日期：2021-03-24
    • 文件大小：2097152
    • 提供者：weixin_38667408

  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. AI学习笔记——卷积神经网络（CNN）

  2. 本文来自简书，本文主要介绍了一个完整的卷积神经网络(CNN)，卷积的滤波器（Filter）是如何工作的呢？请参见下文。上篇文章简单地地介绍了神经网络和深度学习，在神经网络中，每一层的每个神经元都与下一层的每个神经元相连(如下图)，这种连接关系叫全连接（FullConnected）。如果以图像识别为例，输入就是是每个像素点，那么每一个像素点两两之间的关系(无论相隔多远)，都被下一层的神经元"计算"了。这种全连接的方法用在图像识别上面就显得太"笨"了，因为图像识别首先得找到图片中各个部分的"边缘"和

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：715776
    • 提供者：weixin_38688890

  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：2021-01-27
    • 文件大小：505856
    • 提供者：weixin_38609002

  1. AI学习笔记——卷积神经网络（CNN）

  2. 本文来自简书，本文主要介绍了一个完整的卷积神经网络(CNN)，卷积的滤波器（Filter）是如何工作的呢？请参见下文。 上篇文章简单地地介绍了神经网络和深度学习，在神经网络中，每一层的每个神经元都与下一层的每个神经元相连(如下图)， 这种连接关系叫全连接（FullConnected）。如果以图像识别为例，输入就是是每个像素点，那么每一个像素点两两之间的关系(无论相隔多远)，都被下一层的神经元

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：715776
    • 提供者：weixin_38589168

  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. MachineLearning学习——0220——深度学习之卷积神经网络、自编码器

  2. 参考：https://github.com/apachecn/vt-cs4624-pyml-zh/blob/master/docs/22.md https://github.com/apachecn/vt-cs4624-pyml-zh/blob/master/docs/23.md 由于之前有了解CNN，该文章将跳过大部分细节，仅供本人记录学习过程用 卷积神经网络Convolutional Neural Network 介绍：与多层感知机的结构很相似：输入层，一些隐藏层，输出层，这些层多由卷积层、

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：135168
    • 提供者：weixin_38652870
« 12 3 4 5 6 7 8 9 10 ... 18 »