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. （神经网络）

  2. 前馈网络（静态）：信息处理的方向是输入层到输出层逐层前向传递，某一层的输出是下一层的输入，不存在反馈环路。（ 感知器、BP误差反向传播、RBF径向基、线性神经网络、som自组织竞争神经网络、LVQ学习向量量化神经网络、Elman、CNN卷积神经网络、RNN递归神经网络） 反馈网络（动态）：存在信号从输出到输入的反向传播。输出作为输入返回前一层节点时具有闭环的反馈网络是递归网络。 监督训练：为神经网络提供输入和所需的输出；网络对输入的响应是计算出来的的，修改权重以减少实际和期望输出之间的差异；达

  3. 所属分类：讲义

    • 发布日期：2017-12-27
    • 文件大小：313344
    • 提供者：qq_41547766

  1. 卷积递归深度学习在3D物体分类上的应用.doc

  2. 3D传感技术的最新进展使人们有可能轻松地拍摄彩色和深度信息并存的图片，以提高物体识别的图像。目前，大多数方法对于这个新的3D方式依赖于非常精心设计的特征。引入一个基于卷积和递归神经网络（CNN和RNN）组合的模型，用于特征学习和RGB-D图像分类。CNN层用于学习低水平的平移不变性的特征，然后作为多个固定树RNN的输入，以组成高阶特征。RNN可以被看作是结合卷积，并汇集到一个高效的、分层的操作。我们的主要结果是，甚至随机权重的RNN也组成强大的特征集。我们的模型在标准RGB-D对象集上获得了较好

  3. 所属分类：深度学习

    • 发布日期：2020-04-25
    • 文件大小：592896
    • 提供者：weixin_39164435

  1. Python-利用卷积递归神经网络对三维重叠源进行声事件定位和检测

  2. 利用卷积递归神经网络对三维重叠源进行声事件定位和检测

  3. 所属分类：其它

    • 发布日期：2019-08-10
    • 文件大小：1048576
    • 提供者：weixin_39840924

  1. 递归模型神经网络

  2. 将卷积神经网络应用于大型图像的计算成本很高，因为计算量与图像像素的数量成线性关系。我们提出了一种新颖的递归神经网络模型，其能够通过自适应地选择区域或位置序列并且仅以高分辨率处理所选区域来从图像或视频中提取信息。与卷积神经网络一样，该模型具有一定程度的内部平移不变性，但其执行的计算量可以独立于输入图像大小进行控制。该模型是不可微分的，可以使用强化学习方法对其进行训练，以学习特定于任务的策略。我们在几个图像分类任务和动态视觉控制问题上对我们的模型进行了评估，在这些任务中，该模型在杂乱图像上的表现明显

  3. 所属分类：深度学习

    • 发布日期：2019-03-02
    • 文件大小：706560
    • 提供者：qq_41223974

  1. 深度置信神经网络的matlab代码.rar

  2. 神经网络基础知识讲解，包括自动编码器和深度神经网络，卷积神经网络，递归神经网络，限制波尔兹曼机和深度置信网络等和matlab代码程序

  3. 所属分类：深度学习

    • 发布日期：2020-06-14
    • 文件大小：46137344
    • 提供者：weixin_45613824

  1. 卷积神经网络和递归神经网络（构建神经网络，进行数据处理，包括卷积神经网络和递归神经网络）

  2. 卷积神经网络和递归神经网络（构建神经网络，进行数据处理，包括卷积神经网络和递归神经网络）

  3. 所属分类：Python

    • 发布日期：2020-08-12
    • 文件大小：6291456
    • 提供者：qq_36596540

  1. Python使用循环神经网络解决文本分类问题的方法详解

  2. 本文实例讲述了Python使用循环神经网络解决文本分类问题的方法。分享给大家供大家参考，具体如下： 1、概念 1.1、循环神经网络 循环神经网络（Recurrent Neural Network, RNN）是一类以序列数据为输入，在序列的演进方向进行递归且所有节点（循环单元）按链式连接的递归神经网络。 卷积网络的输入只有输入数据X，而循环神经网络除了输入数据X之外，每一步的输出会作为下一步的输入，如此循环，并且每一次采用相同的激活函数和参数。在每次循环中，x0乘以系数U得到s0，再经过系数W输入

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：602112
    • 提供者：weixin_38659805

  1. 深度学习——循环神经网络

  2. 理解 循环神经网络(Recurrent Neural Network, RNN)是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。 递归神经网络(RNN)相对于MLP和CNN的主要优点是，它能够处理序列数据，在传统神经网络或卷积神经网络中，样本(sample)输入与输出是没有“顺序”概念的，可以理解为，如果把输入序列和输出序列重新排布，对整体模型的理论性能不

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：285696
    • 提供者：weixin_38663452

  1. CNN_vs_RNN_Image_Classification:该程序使用卷积神经网络对图像进行分类-源码

  2. CNN与RNN图像分类 该程序使用卷积神经网络和递归神经网络对来自MNIST手写数字数据集的图像进行分类。 CNN最适合计算机视觉应用，因为可以使用RNN，但并不流行。该项目的目的是证明CNN模型相对于RNN可​​能具有的优势。 设置 需要Python 3.5-3.8才能与所有必需的模块兼容 # Clone this reposititory git clone https://github.com/JohnNooney/CNN_vs_RNN_Image_Classification # Go

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：3145728
    • 提供者：weixin_42133329

  1. 预测DNA-蛋白质结合位点的分层注意网络

  2. 发现DNA-蛋白质结合位点（也称为基序发现）是进一步分析转录因子（TF）的基础。 诸如卷积神经网络（CNN）和递归神经网络（RNN）之类的深度学习算法被引入到主题发现任务中，并取得了最新的性能。 但是，这些方法仍然有局限性，例如忽略大规模测序数据中的上下文信息。 因此，受DNA序列和人类语言之间相似性的启发，本文提出了一种基于自然语言处理方法进行文档分类的，用于预测DNA-蛋白质结合位点的分层注意力网络。 所提出的方法在真实的ChIP-seq数据集上进行了测试，并且与两个经过充分测试的基于深度学

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：501760
    • 提供者：weixin_38674883

  1. 从生物医学文献中提取文献水平的化学诱发疾病关系的有效神经模型

  2. 由于识别化学物和疾病之间的关系（CDR）对于生物医学研究和医疗保健很重要，因此BioCreative V提出的挑战要求自动挖掘化学物和疾病之间的因果关系，这种关系可能跨越句子边界。 尽管大多数系统都在探索特征工程和知识库来识别文档级CDR关系，但是自动学习仅在句子中受到限制...在这项工作中，我们提出了一种有效的模型，该模型可以自动学习文档级语义表示以提取化学诱导的疾病通过结合卷积神经网络和递归神经网络的优势来实现文章之间的（CID）关系。 首先，为了有目的地收集上下文，对存在于文章多个句子中的

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：831488
    • 提供者：weixin_38614484

  1. TorchNN-OCR:EchidNet和其他神经网络用于光学字符识别任务-源码

  2. EchidNet-OCR 使用EchidNet的Torch光学字符识别神经网络，以及其他在其顶部具有递归层的CNN。 1-只需创建一个名为“数据集”的目录，然后将图像扔在那里（最好是png，但是只要您更改了格式，就可以使用其他格式 2-确保在训练时规范化数据长度（图像中的字符数）（或欺骗它以发送相同的长度）。 您还可以使用image_validation.py并指定长度可以多大，仅删除超出预期的数据。 3-之后，请运行train.py，您应该会很高兴。 注意：您的图像必须命名为“ text

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：10240
    • 提供者：weixin_42131601

  1. 时间增强卷积网络，用于人员重新识别

  2. 我们提出了一种新的神经网络，称为时间增强卷积网络（T-CN），用于基于视频的人员识别。 对于人的每个视频序列，首先将空间卷积子网应用于每个帧以表示外观信息，然后将时间卷积子网链接到连续帧的较小范围，以提取局部运动信息。 这样的空间和时间卷积一起构成了我们基于T-CN的表示。 最后，利用递归网络进一步探索全局动力学，然后进行时间合并以生成整个序列的整体特征向量。 在培训阶段，采用了暹罗网络体系结构来共同优化所有组件，而损失包括识别和验证。 在测试阶段，我们的网络会以前馈方式为每个输入视频序列（其长

  3. 所属分类：其它

    • 发布日期：2021-03-12
    • 文件大小：1048576
    • 提供者：weixin_38584058

  1. 深度学习：人工智能长期短期记忆（LSTM）卷积神经网络（CNN）递归神经网络（RNN）Resnet50残留网络-源码

  2. 深度学习 该文件夹包含我的各种AI和机器学习项目的深度学习模型。 长短期记忆（LSTM）卷积神经网络（CNN）ResNet50

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：23068672
    • 提供者：weixin_42127835

  1. snntorch：在Python中使用尖峰神经网络进行深度学习-源码

  2. 介绍 snnTorch是一个Python软件包，用于使用尖峰神经网络执行基于梯度的学习。 它无需重新设计轮子，而是位于PyTorch的顶部，并利用其GPU加速的张量计算。 预先设计的尖峰神经元模型无缝集成在PyTorch框架内，可以视为循环激活单元。 snTorch结构 snnTorch包含以下组件： 成分 描述 像torch.nn这样尖峰的神经元库，与autograd紧密集成 SNN通常使用的反向传播变化 用于生成峰值和数据转换的库 使用matplotlib和赛璐ul的基于峰值的数据

  3. 所属分类：其它

    • 发布日期：2021-02-14
    • 文件大小：389120
    • 提供者：weixin_42175516

  1. pydoku：使用OpenCV和机器学习在Python中解决数独问题-源码

  2. pydoku 使用OpenCV和深度学习在Python中解决数独问题。 该存储库包括以下内容： 图像处理 数独网格识别 网格提取 使用卷积神经网络模型进行数值预测（准确度为99％） 递归数独求解器 Flask Web前端（基于Pixel-Lite样板： : ） 数量预测基于使用Chars74K数据集训练的CNN模型： ：//www.ee.surrey.ac.uk/CVSSP/demos/chars74k/ 去做 切换到tflite-model 整合网页前端 根据整个图片的面

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：112197632
    • 提供者：weixin_42180863

  1. 基于双向递归卷积神经网络的单目红外视频深度估计

  2. 考虑到红外视频的深度特征具有单帧图像的独特性和视频全局的连续性, 在单目红外视频深度估计问题上提出一种基于双向递归卷积神经网络(BrCNN)的深度估计方法。BrCNN在卷积神经网络(CNN)能够提取单帧图像特征的基础之上引入循环神经网络(RNN)传递序列信息机制, 使其既具有CNN良好的图像特征提取能力, 能够自动提取视频中每一帧图像的局部特征, 又具有RNN良好的序列特征提取能力, 能够自动提取视频中每一帧图像所包含的序列信息, 并向后递归传递这种信息。采用双向递归的视频序列信息传递机制来估计

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：8388608
    • 提供者：weixin_38673924

  1. Automated_Image_Captioning：使用深度学习和Flickr-8k数据集进行自动图像字幕。 还比较了Xception模型和Inception模型（v3）-源码

  2. Torrent_to_Drive 使用深度学习和Flickr-8k数据集进行自动图像字幕。 还对Xception模型和Inception模型进行了比较。 这是使用卷积神经网络和一种递归神经网络（LSTM）为所有类型的图像生成标题和替代文本的最简单方法。 关于 图像特征将从在imagenet数据集上训练的CNN模型中提取（请参见下文），然后将特征输入到LSTM模型中，后者将负责生成图像标题。 此回购围绕Keras提供的2个模型进行。 提取的功能可以在找到 使用的数据集可以在找到 Jupyt

  3. 所属分类：其它

    • 发布日期：2021-02-10
    • 文件大小：1048576
    • 提供者：weixin_42143092

  1. CRNN_Tensorflow：用于场景文本识别的卷积递归神经网络（CRNN）-源码

  2. CRNN_Tensorflow 这是用于场景文本识别的深度神经网络的TensorFlow实现。 它主要基于论文 。 您可以参考本文以获取体系结构详细信息。 感谢作者。 该模型由CNN阶段提取特征组成，这些特征被馈送到RNN阶段（Bi-LSTM）和CTC损失。 安装 该软件已在Ubuntu 16.04（x64）上使用python 3.5和TensorFlow 1.12开发。 由于它使用了TensorFlow的一些最新功能，因此与旧版本不兼容。 提供了以下方法来安装依赖项： conda 您可以

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：35651584
    • 提供者：weixin_42168341

  1. crnn：卷积递归神经网络（CRNN），用于基于图像的序列识别-源码

  2. 卷积递归神经网络 该软件实现了卷积递归神经网络（CRNN），它结合了CNN，RNN和CTC损失，可用于基于图像的序列识别任务，例如场景文本识别和OCR。 有关详细信息，请参阅我们的论文 。 更新2017年3月14日，一个Docker文件已添加到项目中。 感谢 。 UPDATE 2017年5月1日一PyTorch已作出 。 更新2017年6月19日对于端到端文本检测器+识别器，请通过签出 。 建立 该软件仅在Ubuntu 14.04（x64）上经过测试。 需要启用CUDA的GPU。 要构建项

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：68608
    • 提供者：weixin_42131785
« 12 3 4 5 6 »