登录社区云，与社区用户共同成长
邀请您加入社区
（建议配合查看官网教程）1.安装 Anaconda2.下载官网的模型Tensorflow model链接1（Tensorflow model）GitHub - tensorflow/models: Models and examples built with TensorFlowhttps://github.com/tensorflow/models解压到C:\tensorflow2并重命名为mo
LeNet是最早的卷积神经网络之一，由Yann LeCun等人在1990年代提出，并以其名字命名。最初，LeNet被设计用于手写数字识别，最著名的应用是在美国的邮政系统中识别手写邮政编码。LeNet架构的成功证明了卷积神经网络在解决实际问题中的有效性，为后续更复杂、更强大的CNN模型的发展奠定了基础。结构如下：我们知道手写数字识别数据集的数据，都是28×28的灰度图，下面我们将输入一个28×28的
经典语义分割(二)医学图像分割模型UNet
卷积神经网络（Convolutional Neural Networks，CNN）是深度学习的代表算法之一，在深度学习中占据着重要地位。CNN 的发展历程可追溯至 20 世纪 80 至 90 年代，时间延迟网络和 LeNet - 5 是最早出现的卷积神经网络。随着深度学习理论的提出和数值计算设备的改进，CNN 在 21 世纪后得到了快速发展，并被广泛应用于计算机视觉、自然语言处理等领域。CNN 的
使用resnet实现自己数据集的多分类，并部署
如果把像素点直接输入到全连接神经网络，最大的问题就是它识别出来的特征和像素点的具体位置是绑定的，很难被复用（例如图片中的花瓣，左边的花瓣和右边的花瓣具有的特征是相同的，但是神经网络却没有办法将它复用，只能把它们分别看作不同的特征），如果每个像素点本身保存的数值就是它和周围像素点的关系，就能避免这一点。我们可以这样理解卷积，在某一时刻发生了一件事，他会收到之前发生的很多事的影响，这不就是周围像素点对
毕业设计：基于深度学习的铁路异物检测系统结合了深度学习和计算机视觉技术，旨在解决铁路场景中多尺度和遮挡问题对异物检测的挑战。通过在FLIR数据集和自制的夜间红外铁路数据集上进行迁移训练，提出的算法展现了对遮挡较严重和不同尺度大小的铁路异物的优越性。本毕业设计为计算机领域的毕业生提供了一个创新的研究方向。对于计算机专业、软件工程专业、人工智能专业、大数据专业的毕业生而言，提供了一个具有挑战性和创新性
论文同样创新点汇总：1.自注意力机制与卷积结合2.新的坐标注意力机制Coordinate Attention3. 更好的下采样操作SPD
多尺度卷积神经网络（MSCNN）是一种用于处理不同尺度特征的深度学习模型。
生成对抗网络 (GAN) 是一种深度学习网络，它能够生成与真实输入数据具有相似特征的数据。本文基于Matlab平台，使用Matlab自带的深度学习工具箱和自带的训练数据，构建了卷积生成对抗网络（DCGAN），实现了对彩色图片的样本生成，其中生成器的输入是噪声序列，输出是生成的图片；判别器的输入是真实的图片和生成器生成的虚伪图片，输出是该图片是真实图片的概率。生成对抗网络训练过程中生成器和判别器互相
①. 保护位置信息，奇数卷积核的中心点位置在中心，有利于定位任务。②. padding时左右对称。①. 两个3x3卷积核的感受野与一个5x5卷积核的感受野相同②. 两个3x3卷积核的参数量为3x3x2=18，而一个5x5卷积核的参数量为5x5=25。③. 两个3x3卷积核比一个5x5卷积核多进行了一次非线性（卷积层后面通常接激活层）。
对于卷积公式可能有的人知道，可能有的人不知道，或者也仅仅只是知道而不理解。但是不管你知不知道这个公式的意义，都不影响你自己去实现一个卷积。他具体的数学意义，我先不讲，因为有很多人讲的都比我清楚透彻。而我要告诉你的，则是再卷积神经网络里面的卷积操作是如何实现的提到卷积神经网络，听到的最多的应该就是卷积，激活，池化这三个操作。就拿VGG16这个经典网络模型来说，其实就是通过卷积+激活+池化这三种操作堆
图卷积神经网络（GCN）的初级认识
卷积神经网络是一种多层的、前馈型网络。从结构上，可以分为特征提取阶段和分类识别阶段。在特征提取阶段，通常由多个特征层堆叠而成，每个特征层又由卷积层和池化层组成。处于网络前端的特征层，用来捕捉图像局部细节信息，而后面的特征层则用来捕捉图像中更加抽象的信息。在分类识别阶段，通常是一个简单的分类器，例如全连接网络或支持向量机，它接收最后一个特征层的输出，完成分类和识别。卷积层也叫做特征提取层，使用卷积核
1．padding为VALID情况output_width=(in_width-filter_width + 1)/strides_ width（结果向上取整）output_height=(in_height-filter_height+1)/strides_height（结果向上取整）● 输入的尺寸中高和宽定义成in_height、in_width。● 卷积核的高和宽定义成filter_heig
cnn
——cnn
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
Triton中文社区
松山湖开发者村综合服务平台
智灵弹性算力系统
泸州开发者社区
ZA技术社区
