CNN卷积算法的改进
改进有：空洞卷积、可变形卷积（1）空洞卷积：对于像素要求不严格的任务，感受野相当于普通3*3卷积的两层的效果。代码实现：def DilatedCNN(x): length=len(x,filter) sum=0 if length<5: ...
CNN多通道多卷积核提取过程
下图展示了在四个通道上的卷积操作，有两个卷积核，生成两个通道。（从4个通道中提取2个通道信息）其中需要注意的是，四个通道上每个通道对应一个卷积核，先将W2忽略，只看w1，那么在w1的某位置（i，j）处的值，是由四个通道上（i，j）处的卷积结果相加然后再取**函数值得到的。所以最后得到两个特征图，即输...
经典CNN网络结构
参考博客1参考博客2参考博客3参考博客4参考博客5参考博客6参考博客7参考博客8最近在准备找实习，对于面试中出现的常见问题（经典分类网络有哪些，它们的特点与发展过程）打算进行整理，也方便之后找实习的过程中复习。算网络层数的时候不包括pooling，dropout，**函数。只包括conv，fc。1....
CNN经典模型AlexNET、VGG、ResNET总结
1 CNN（Convolutional Neural Networks）卷积神经网络基础卷积和池化的示意图： 蓝色矩形：输入尺寸n=5，5x5的图片绿色矩形：输出尺寸计算：（n+2p-f）/s +1 = (5+2x1-3 ) /2 +1 = 2+1= 3 得到3x3的输出动态阴影...
【CNN】一文读懂卷积神经网络CNN
来源：机器学习算法与自然语言处理作者：白雪峰本文为图文结合，建议阅读10分钟。本文为大家解读如何简单明了的解释卷积，并且分享了学习中的一些方法案例。首先文章的提纲为：CNN栗子镇楼What is CNN 什么是卷积 什么是池化Why CNN对CNN的其他一...
贝叶斯神经网络（5）- 图像处理bayes-CNN
本文内容主要总结自coursera课程Bayesian Methods for Machine Learning一、无偏估计百度：无偏估计是用样本统计量来估计总体参数时的一种无偏推断。估计量的数学期望等于被估计参数的真实值，则称此此估计量为被估计参数的无偏估计，即具有无偏性，是一种用于评价估计量优良...
【CNN】局部对比度归一化（Local Contrast Normalization, LCN）
在一篇paper中看到了 LCN 操作，搜了一下，Origin最早，出自这篇 paper K. Jarrett, K. Kavukcuoglu, M. Ranzato, and Y. LeCun. What is the best multi-stage architecture for objec...
计算机视觉的应用26-关于Fast-R-CNN模型的应用场景，Fast-R-CNN模型结构介绍
大家好，我是微学AI，今天给大家介绍一下计算机视觉的应用26-关于Fast-R-CNN模型的应用场景，Fast-R-CNN模型结构介绍。Fast R-CNN是一种深度学习模型，主要用于目标检测任务，尤其适用于图像中物体的识别与定位。该模型在基于区域的卷积神经网络（R-CNN）系列中具有重要地位，其设...
基于CNN的SEEG/EEG脑电数据处理分析
自从AlexNet 神经网络问世以来，Convolutional Neural Network(CNN)是深度学习领域璀璨的明星之一。特别是Computer Vision(CV)领域。基本上CV领域的大多数的任务都是基于CNN神经网络。 当然最近又兴起了GCN。 但是从数学上讲GCN是CNN的一种推...
Vote3Deep: Fast Object Detection in 3D Point Clouds Using Efficient CNN论文综述（）
1、为什么要做这个研究（理论走向和目前缺陷） ?在点云数据集上做3D目标检测这时还没大爆发。2、他们怎么做这个研究 （方法，尤其是与之前不同之处） ?本文思想基本全部借鉴了Vote3D，即用基于投票的滤波器提取特征，这种卷积只在非零的3D网格中做计算，故能够加速。然后ReLU**。损失函数还要用L1...
卷积神经网络(CNN)介绍08-Dropout层
Dropout详情见论文Improving neural networks by preventing co-adaptation of feature DetectorsDropout原理如上图左，为没有Dropout的普通2层全连接结构，记为 r=a(Wv)，其中a为**函数。如上图右，为在第2...
理解CNN中的卷积和反卷积
本文中关于卷积和反卷积内容主要参考论文《A guide to convolution arithmetic for deep learning》1文章目录卷积各种形式的卷积算法无填充,单位步长(no zero padding, unit strides)卷积有填充,单位步长(zero padding...
深度学习（CNN RNN）在文本分类中的应用
一、文本分类历史上世纪 50 年代：专家规则（pattern）上世纪 80 年代：知识工程建立专家系统上世纪 90年代后：统计学习方法，人工特征工程 + 浅层分类模型特征工程机器学习的目标是把数据转换成信息，再提炼到知识的过程。特征工程没有很强的通用性，主要要结合对特征任务的理解，主要分为，文本预处...
解读：一种基于CNN-LSTM混合神经网络的股价预测模型
写在前面下面这篇文章的内容主要是来自发表于2019 IEEE Intl Conf on Dependable, Autonomic and Secure Computing, Intl Conf on Pervasive Intelligence and Computing, Intl Conf...
解读：一种基于CNN-LSTM混合神经网络的股价预测模型
写在前面下面这篇文章的内容主要是来自发表于2019 IEEE Intl Conf on Dependable, Autonomic and Secure Computing, Intl Conf on Pervasive Intelligence and Computing, Intl Conf...
R-CNN三部曲（二）：空间金字塔池化与Fast R-CNN
SPPNet、Fast R-CNN是R-CNN的改进版本，这里我不打算单独介绍他们，而是注重介绍他们的改进方法。首先来回顾一下R-CNN有哪些缺点，第一，我们在用CNN对图像进行处理之前，需要处理图像使得他们保持同样的尺寸，一般可以选择扭曲图像或者直接裁剪，不论怎么做都有可能造成图像信息的丢失。第二...
【深度学习-CNN】训练样本不平衡对训练结果的影响
原文：https://blog.csdn.net/dzkd1768/article/details/68059802今天在网上看到这篇文章The Impact of Imbalanced Training Data for Convolutional Neural Networks，里面做了一系列实...
CNN学习笔记
摘要：本文用于记载学习CNN过程的一些心得～～欢迎大家轻拍～～～1.在CNN中希望保持卷积后的图像与原始图像的大小相同，需要如何进行填补？假设原图像大小为了N，滤波器尺寸为F,步长为s。当s为1的时候：需要进行zero padding的个数P与原始图像大小无关，只与滤波器的大小F有关。具体表现为：P...
深度学习1——卷积神经网络CNN
什么是CNN？卷积层池化层全连接层非线性层，例如：ReLU其他层，例如：RNN为什么CNN是有意义的？动机（motivation）卷积利用了下面4个想法来机器学习系统：1.稀疏交互稀疏交互的概念：指卷积网络最后的全连接层与输入层之间的“间接连接”是非全连接的，多次卷积可以找出一种合理的连接，使输入图...
【深度学习图像识别课程】keras实现CNN系列：（4）MLP/CNN实现CIFAR-10图像分类
一、卷积层、池化层的一般设置1、卷积层滤波器数量逐渐增加，kernel_size范围2*2~5*5，一般设置为2*2，strides设置为1， padding='same'，并在最后添加Relu**。如果对于第一层，还要增加input_shape。深度从输入层的3，变成16，再到32，再到64，维...