登录社区云，与社区用户共同成长
邀请您加入社区
本文详解卷积神经网络（CNN）在图像分类中的核心优势，对比全连接网络的局限性，系统讲解卷积层、池化层、通道数与特征图概念。通过构建最小可运行的CNN模型，演示如何利用nn.Conv2d和nn.MaxPool2d实现MNIST分类，并手推各层输入输出形状变化，帮助读者建立对图像空间结构的深层理解，为后续复杂视觉模型学习打下坚实基础。
在该模型中，Transformer 用于扩展 GNN 的感受野，而 GNN 则负责捕捉图结构信息以增强 Transformer 的表示能力。其核心设计是在 GNN 组件旁并行部署 Transformer 层，实现图结构聚合与文本编码的联合建模，从而从全局视角精确理解节点语义，生成高质量的图-文本联合表示。其核心机制包括虚拟全局节点与扩展图构建，共同支撑高效的稀疏注意力计算。理论分析表明，Trans
本文介绍了一套基于深度学习的纸板缺陷检测识别系统，采用YOLOv8/YOLOv5/YOLO11等算法模型，结合SE注意力机制提升检测精度。系统支持图片、视频、摄像头输入的实时检测，并具备批量处理、结果导出（xls格式）及目标切换查看功能。通过OpenCV和PyQt5实现交互式UI界面，适用于工业生产中的质量管控场景。文章提供了完整Python代码和使用指南，帮助读者快速掌握该技术。
BossNAS是一种新型无监督神经架构搜索方法，通过分块自监督学习解决权重共享空间过大和监督偏差导致的问题。该方法将搜索空间分解为多个块，采用"集成自引导"训练方案：先独立训练每个块，再整体搜索最优架构。研究人员还设计了HyTra混合CNN-Transformer搜索空间，搜索得到的BossNet-T模型在ImageNet上达到82.5%准确率，超越EfficientNet 2
本项目在pytorch框架下，基于LSTM+CNN神经网络，实现对于气温的预测，模型收敛良好。
alex、vgg、googlet的pytorch代码实现---附CNN常见问题汇总
基于CNN的车牌识别算法，Opencv车牌识别算法， Pytorch框架/sqlite数据库/pyqt5界面有GUI登录界面，识别准确率高，可识别蓝色和绿色车牌，使用SqLite数据库实现对车牌数据的增删查改算法识别准确率高于模版匹配法和机器学习字符识别模型准确率为 96%使用传统图像处理算法提取车牌区域，然后使用 Pytorch 框架的字符识别模型识别车牌字符提供丰富的测试用例，提供字符识别网络
基于python的LSTM/CNN/TCN/GRU/BiLSTM/GCN/GAT/BP及组合模型时间序列预测程序。pytorch框架。，注释清晰可用于单输入单输出，多输入单输出，单步预测，多步预测优点：（1）代码清晰有注释，标注可调参数，非常适合小白理解（2）简洁的滑动窗口函数，直接调用（3）包含R2,MAE,MSE,RMSE评价指标，预测曲线图清晰可直接插入论文，不模糊（4）预测结果可保存为表格
本文提出了一种新颖的令牌增长方案Token Expansion（ToE），用于加速视觉Transformer（ViT）的训练。ToE通过“初始化-扩展-合并”流程，保持原始Transformer中间特征分布的完整性，防止在加速训练过程中丢失关键可学习信息。实验表明，ToE能够在不损失精度的情况下加速ViT的训练，甚至在某些情况下还能提高性能。此外，ToE可以无缝集成到现有的高效训练框架中，无需调整
本文探讨了如何从视觉变换器（ViT）的角度重新设计轻量级卷积神经网络（CNN），以提高其在移动设备上的性能和效率。研究者们通过将轻量级ViT的高效架构设计整合到标准的轻量级CNN（如MobileNetV3）中，提出了一种新的轻量级CNN家族——RepViT。实验表明，RepViT在各种视觉任务中均优于现有的轻量级ViT模型，并在iPhone 12上实现了超过80%的top-1准确率和1.0 ms的
西储大学轴承数据集是故障诊断领域广泛使用的标准数据集之一，由凯斯西储大学（Case Western Reserve University，简称CWRU）提供。该数据集包含了多种工况和故障类型的轴承振动数据，涵盖了正常运行的轴承数据以及内圈故障、外圈故障、滚动体故障等多种故障类型的数据。数据集通过安装在电机轴承附近的加速度传感器采集，采样频率分别为12kHz和48kHz，记录了不同负载条件下的轴承振
💥💥💞💞❤️❤️💥💥博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️行百里者，半于九十。📋📋📋🎁🎁🎁。
一键获取yolo系列latency （推理延迟）的方法
近日有了炼丹需求，打开了久违的vmware虚拟机。在看了某操作文档之后，按照一系列命令在terminal上疯狂敲打…突然！那就扩容一下吧！
问题场景：训练yolov5或者yolov8时候会报错：原因具体原因是安装cuda的时候，按照教程将cudnn也安装到了系统cuda路径中，然后在python虚拟环境中使用pip install torch时会自动安装一个cudnn，两个发生了冲突。首先激活虚拟环境，使用pip list查看：里面确实安装了cudnn，解决办法也很简单，既然产生了冲突，要么把系统里面的cudnn去掉（不推荐，如果部署
随着神经网络的发展，各种各样的模型都被研究出来，卷积、Transformer也是计算机视觉中国常用的模型，而最近清华大学发表了一篇survey，研究结果或许表明全连接层才是最适合视觉的模型，并将迎来新的AI范式转换！多层感知机（MLP）或全连接（FC）网络是历史上第一个神经网络结构，由多层线性层和非线性激活叠加而成，但受到当时硬件计算能力和数据集大小的限制，这颗明珠被埋没了数十年。
视觉实体变化大，在不同场景下视觉Transformer性能未必很好——多尺度问题图像分辨率高，像素点多，Transformer基于全局自注意力的计算导致计算量较大——tokens序列长度问题针对上述两个问题，我们提出了一种包含Shifted Window操作，具有层级设计的。:::warningShifted Window操作包括不重叠的local window，和重叠的cross-window
卷积网络在计算机视觉领域被应用得非常广泛，那么常见的卷机网络中用到的模块能够使用 pytorch 非常轻松地实现，下面我们来讲一下 pytorch 中的卷积模块有时候提取出的层结构并不够，还需要对里面的参数进行初始化，那么如何提取出网络的参数并对其初始化呢?如何对权重做初始化呢?非常简单，因为权重是一个Variable,所以只需要取出其中的data属性，然后对它进行所需要的处理就可以了。下面是模板
textcnn, textrnn, textrcnn, textrnn_att, dpcnn, transformer介绍
2、定义conv_dw结构3、MobileNetV1主干只需将MobileNetV1结构替换原yolov4中的CSPDarknet53主干网络即可，后面的Neck层和Head层都是一样的，我们还要定义一个变量in_filters，它对应三个预测特征层的输出通道数，对于不同的主干网络，三个预测特征层的输出通道数是不一样的；还有一点需要注意的是，为了减少参数量，我们把Neck层和Head层中所有的3*
aarch64-linux-gnu-gcc/g++ 交叉编译工具链交叉编译opencv修改platform/linux/aarch64-gnu.toolchain.cmake交叉编译ncnn
文章目录一、简单描述卷积、卷积核、多通道、特征图、特征选择概念。卷积卷积核多通道特征图特征选择二、探究不同卷积核的作用，研究背后的原理。1.无作用的卷积核（因为只有中心点的值是1。邻域点的权值都是0，对滤波后的取值没有任何影响）2.均匀模糊（对图像进行算术平均值模糊）3.锐化（锐化滤波器实际上就是计算当前点和周围点的差别，然后将这个差别加到原来的位置上）4.边缘检测（滤波器卷积相当于求导的离散版本
如果有问题欢迎评论或私信。使用opencv实现人体关键点检测，并实现仰卧起坐计数，博客最后提供项目下载链接。界面：b站地址视频效果：
yolov5 训练
YOLO系列本文概述一些软件依赖官方网站和官方英文教程下载YOLOV3并直接make编译编译GPU实现YOLO要求N卡和cuda编译GPU版YOLOV3gpu运行YOLOV3 detector耗时小结You only look once (YOLO)本文概述本文讲述如何在ubuntu20.04(其他版本系统也适用)下编译官方darknet框架下YOLOV3并使用提供的coco数据集的预训练权重检测
1、卷积神经网络发展史（convolutional neural networks,CNN)CNN是针对图像领域任务提出的神经网络，经历数代人的发展，在2012年之后大部分图像任务被CNN统治，例如图像分类，图像分割，目标检测，图像检索等CNN结构受视觉系统启发1962年，生物学家TorstenWiesel 和 David H.Hubel(1981年的诺贝尔医学奖)对猫的视觉系统进行研究,首次发现
搭建环境1，安装anaconda和pycharm所需软件工具：anaconda pycharm cudaAnaconda是一个管理用于python开发的包含不同库的虚拟环境的平台，可以高效的管理和创建适用于多个不同项目的project interpreter。安装完成自带一个根环境，路径在conda的安装目录下。进入后可以在环境管理页面创建新环境，新环境的路径在安装目录下的envs中存储，在pyc
支持技术分享，转载或复制，请指出文章来源此博客作者为Jack__00231、背景因为面对的场景不同，所以我上次使用 android 提供的人脸检测 已经不能满足我的使用，因为长时间开启，他会出现各种小状况，而且接下来要做识别(不在这篇博客讲，等我整理好资料后写出来测试没问题再发博客)，所以投向opencv的怀抱。bak:人脸检测 不是 人脸识别，检测的意思是 是不是人， 识别的意思是 你是谁...
1.字符分割2.字符识别
大模型学习 - 深度学习 卷积神经网络
我们构建一个三层卷积网络，结构如下：在动手写代码之前，先补充一个贯穿本节的关键概念——池化层（Pooling Layer）。池化层通常紧跟在卷积层之后，作用是对特征图进行下采样（降维），它本身没有需要学习的参数。降低计算量：把特征图的宽高缩小（例如 28×28 → 14×14），后续层的参数量和计算量随之大幅减少。提取主要特征、增强鲁棒性：在局部区域内只保留最显著的信息，让网络对微小的平移、旋转不
✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。🍎 往期回顾关注个人主页：Matlab科研工作室🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。一、研究背景与核心痛点风电场短期功率预测（预测时长 1-4 小时）是电网调度、功率消纳的核心支撑，需解决三大核心问题：（二）CNN-BiLSTM-attention 预测模
首先，我们需要明确一下什么是Feature Map。在CNN中，每一层卷积操作都会生成多个二维矩阵，这些矩阵就被称为Feature Maps。简单来说，Feature Map就是输入数据经过卷积核处理后得到的结果。通过观察不同层次的Feature Maps，我们可以直观地看到模型是如何逐步抽象出高层次语义信息的。
本文介绍了基于3D卷积神经网络(3DCNN)的医学图像肿瘤检测技术。首先阐述了医学图像分析的定义和肿瘤检测在早期诊断、治疗规划等场景的应用价值。随后详细讲解了3DCNN的架构原理，包括3D卷积层、池化层的特性及其在捕捉三维空间信息方面的优势。文章提供了完整的代码实现方案，涵盖数据预处理、3DCNN模型构建、训练和评估流程，并演示了如何在PyTorch框架下完成肿瘤检测任务。该方法通过三维特征提取显
CNN-RNN-LSTM-GRU-【Encoder-Decoder模式】-Attention-【Self-Attention】-Transformer-GPT-BERT
大家好，我是微学AI，今天给大家介绍一下遥感影像岩性分类：基于CNN与CNN-EL集成学习的深度学习方法。该方法充分利用了多源遥感数据的光谱和空间信息，同时结合了深度学习的自动特征提取的能力，更好地提高了岩性分类的精度，以及效率。实验结果表明了，与传统方法相比之下，基于深度学习的岩性分类方法能够很好地捕捉岩石的光谱特征和纹理特征，分类准确率显著地提高，为地质调查和资源勘探提供了新的技术手段。
本文系统介绍了深度学习中的关键神经网络模型及其变体。首先详细解析了CNN（卷积神经网络）的基本结构（输入层、卷积层、池化层、全连接层、输出层）和运算原理，包括零填充方式和典型模型（LeNet-5、AlexNet等）。其次阐述了RNN（循环神经网络）的序列处理机制及其长期依赖问题，重点讲解了改进模型LSTM（长短期记忆网络）的门控结构和训练过程。最后介绍了基于自注意力机制的Transformer模型
机器学习并不神秘，本文通过Python实现一个简单的神经网络，帮助初学者理解其基本原理。神经网络模仿人脑神经元结构，由输入层、隐藏层和输出层组成，通过调整权重学习数据关系。文章详细介绍了从数据准备、参数初始化、激活函数、前向传播、损失函数、反向传播到参数更新的完整过程，并提供了代码示例。通过训练和测试模型，读者可以掌握神经网络的核心概念，为进一步学习打下基础。
深度学习作为机器学习的重要分支，通过多层神经网络学习复杂数据模式，广泛应用于图像识别、语音识别等领域。本文介绍了两个主流深度学习框架PyTorch和TensorFlow，并通过MNIST数据集的手写数字分类项目，展示了如何使用这两个框架构建、训练和评估神经网络模型。PyTorch以其动态计算图和灵活API著称，而TensorFlow则提供丰富的API和强大的分布式训练支持。通过实战项目，读者可以快
贝叶斯方法和概率模型是机器学习中的重要工具，能够通过概率建模提供对数据的深刻理解和预测的不确定性估计。本文从零开始，使用Python实现了一个简单的贝叶斯分类器——朴素贝叶斯分类器。首先介绍了贝叶斯方法的核心思想，即通过数据更新先验概率得到后验概率，并解释了其优点，如结合先验知识、提供不确定性估计和良好的可解释性。接着，文章详细展示了如何使用Python实现高斯朴素贝叶斯分类器，包括数据准备、模型
贝叶斯优化方法则采用贝叶斯思想，通过不断探索各种参数组合的结果，根据已有信息计算期望值，并选择期望值最大的组合作为最佳策略，从而在尽可能少的实验次数下达到最优解。不同功能的代码块被组织成函数或者独立的模块，使得代码逻辑清晰，结构化程度高。可视化结果: 代码中包含了对训练过程和预测结果的可视化，真实标签与预测标签的对比等，有助于直观地评估模型的性能和结果的准确性。参数设置：通过指定参数的值，如贝叶斯
卷积神经网络是一种深度学习模型，主要应用于图像和视频处理任务。它的设计灵感来源于生物视觉系统的工作原理。def __init__(self):#输入大小（1，28，28）super(CNN,self).__init__()#初始化父类self.conv1 = nn.Sequential(#将多个层组合到一起，创建了一个容器nn.Conv2d(stride=1,padding=1,),nn.ReLU
本文基于汉字手写体数字图像进行了CNN分类实战。
各种CNN 卷积特征图可视化理解方法（链接）
现在论文都是使用栅格单元来进行深度学习，栅格单元划分简单粗暴，斜坡单元符合地形特征。为什么使用栅格单元不用斜坡单元的几个原因：１、空间分辨率统一性：栅格单元具有固定的空间分辨率（如 30m × 30m 或 100m × 100m），这使得在广泛的地理区域内，数据能够统一管理和处理。无论是土地利用、坡度、降水量等数据，它们都可以在相同的栅格坐标系统中对齐，形成一个结构化的数据库，方便后续的分析与建模
Transformer 被称为具有强大先天自注意力机制的架构。在本文中，我们**首次研究了 Transformer 在一般医学图像分割中的应用。为了充分利用 Transformer 的强大功能，我们提出了 TransUNet，它不仅通过将图像特征视为序列来编码强大的全局上下文，而且还通过 U 形混合架构设计充分利用了低级 CNN 特征**。作为主流基于 FCN 的医学图像分割方法的替代框架，Tra
严格来说，卷积层是个错误的叫法，因为它所表达的运算其实是互相关运算（cross-correlation），而不是卷积运算。在卷积层中，输入张量和核张量通过互相关运算产生输出张量。首先，我们暂时忽略通道（第三维）这一情况，看看如何处理二维图像数据和隐藏表示。若输入是高度为3、宽度为3的二维张量（即形状为3×3）。卷积核的高度和宽度都是2，而卷积核窗口（或卷积窗口）的形状由内核的高度和宽度决定（即2×
《Pytorch深度学习实践》P10 Basic CNN 卷积神经网络 笔记+代码+作业：Conv2d、MaxPool2d 和 Linear、课上6个代码、作业（绘网络结构图+代码）
正则化是机器学习中的重要技术，它帮助控制模型的复杂性，避免过拟合。常见的正则化方法包括 L1L_1L1、L2L_2L2 正则化、Dropout 和早停等。在实际应用中，选择适当的正则化方法和超参数是构建稳定模型的关键。
cnn
——cnn
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
乐奇 Rokid 开放社区
