登录社区云，与社区用户共同成长
邀请您加入社区
传统神经网络：传统神经网络一般为全连接结构，神经元层层全部相连，输入图像需要展平为一维向量，丢失像素的空间位置关系。它参数量庞大，计算成本高，容易发生过拟合，无法自动提取图像局部特征，对物体平移、形变适应性差，更适合一维表格数据。卷积神经网络卷积神经网络依靠局部感受野、权重共享与池化操作，卷积核只提取局部特征，大幅减少参数。网络逐层提取边缘、轮廓、高层语义特征，保留图像二维空间信息，池化带来平移不
摘要：本文提供基于CCO-CNN-BiGRU-Attention等6种模型的单变量时序预测Matlab代码合集，可实现一键运行对比分析。代码采用电力数据格式（excel），通过运行main函数即可自动生成各模型预测结果和对比图表。核心特点包括：支持CCO算法优化参数（隐藏层节点数、学习率等）；包含R2、MAE等多项评价指标；提供完整中文注释和测试数据集。该代码适配MATLAB 2020b及以上版本
一、引言：多变量时序预测的模型差异化需求与 GWO 的优化价值在光伏出力预测、电力负荷预测、交通流量预测等工程场景中，多变量时序数据呈现 “空间耦合强、时序依赖长、关键特征动态变化” 的复杂特性 —— 例如光伏出力受辐照度、温度、湿度、风速等多变量协同影响，且日内时序存在峰谷突变、长期趋势受季节调控的双重特征。传统单一模型（如 CNN-LSTM）难以适配不同场景下的特征提取需求，而模型关键参数（如
YOLOv1 开创了 one-stage 目标检测的先河，用 “一次前向传播” 的思路重新定义了检测效率；YOLOv2 则在其基础上，通过 Batch Normalization、Anchor Boxes、多尺度训练等改进，弥补了精度短板，成为兼顾 “速度与精度” 的经典模型。这两个版本不仅是 YOLO 系列的起点，也为后续 YOLOv3、YOLOv5 等版本的发展奠定了基础，至今仍是学习目标检测
其核心思路在于，运用层次化分解（hierarchical decomposition）将不同频率的模式分别处理，随后借助跨尺度注意力（cross-scale attention）机制实现特征融合。最新的研究成果是将因果图转换为图神经网络（graph neural network）的结构，并在消息传递（message passing）过程中强制实施因果约束。最新的研究成果是运用基于梯度的元学习（gr
在当今这个数据爆炸的时代，多变量回归预测就像是一把神奇的钥匙，能够帮助我们打开未来趋势的大门，在金融市场预测股价走势、在气象领域预知气候变化、在工业生产中保障设备稳定运行…… 发挥着不可或缺的作用。今天，咱们就一起来聊聊基于 Transformer - BiLSTM、Transformer、CNN - BiLSTM、BiLSTM、CNN 这五个超厉害的模型进行多变量回归预测的那些事儿。想象一下，这
本文探讨了手写体数字识别的两种主要方法：卷积神经网络(CNN)和支持向量机(SVM)。手写体数字识别作为图像处理和模式识别领域的重要应用，具有广泛的实际价值。CNN通过卷积层、池化层等结构自动提取特征，在MNIST数据集上表现出色；SVM则通过寻找最优分类超平面实现有效分类。实验结果表明，两种方法在手写体数字识别任务中均能取得良好效果，其中CNN因其自动特征提取能力在图像识别领域更具优势。研究为手
在电力负荷预测、气象数据预测、交通流量预测等多变量时序场景中，模型的特征提取能力、参数优化效率与输出模式（多输出 / 单输出）直接影响预测精度。WOA：优化模型超参数（如 CNN 卷积核大小、BiGRU 隐藏层节点数），避免人工调参的主观性与局部最优陷阱；CNN：提取多变量时序数据中的局部空间特征（如不同变量间的短期关联）；BiGRU：捕捉时序数据的长期双向依赖关系（如历史数据对未来多步预测的影响
本文将详细介绍如何设计和实现基于 SSA-CNN-LSTM-Attention 模型的多变量时序预测消融实验，重点对比多输出与单输出两种预测模式的性能差异，并提供可一键运行的完整实验框架。
百度组国一思路开源，该文章旨在提供除遥控数据训练循迹模型外的另一种方式，算法循迹获取数据集
多变量时序预测是从多个相互关联的时间序列数据中挖掘潜在规律，进而对未来状态进行预判的重要技术，在电力负荷预测、股票走势分析、气象预警等领域应用广泛。本文聚焦 Transformer-LSTM、Transformer、CNN-LSTM、LSTM、CNN 五种主流模型，深入剖析它们的核心原理、在多变量时序预测中的适配性，并通过实验从精度、效率、稳定性等维度进行对比，为实际应用中的模型选择提供参考。一、
Mamba在图像修复中的新兴应用：Mamba凭借其长序列建模能力，正成为替代Transformer的热门选择，尤其在高分辨率或复杂场景的实时修复任务中表现突出。这一技术适用于医学影像、自动驾驶等领域，且顶会（如CVPR）对相关研究接受度较高。近期涌现的10篇开源论文（如MaIR、Serpent等）展示了显著成果，如降低150倍计算复杂度或横扫14个修复任务。研究建议从架构设计、轻量化等角度创新，适
本文介绍了一款基于多种深度学习模型（包括SFOA-CNN-LSTM-Attention、CNN-LSTM-Attention等）的单变量时序预测工具，使用Matlab编写，操作简便，只需运行一个main函数即可生成所有预测结果的图像。该工具采用风速数据进行测试，支持Excel格式的数据输入，无需修改代码即可适配不同数据集。SFOA（海星优化算法）用于优化模型参数，如隐藏层节点数、学习率等。代码支持
本周课程深入探讨了基本卷积神经网络（CNN）及其在深度学习中的应用，重点介绍了AlexNet、VGG-16和残差网络（ResNet）的结构与改进策略。AlexNet通过引入ReLU激活函数、Dropout和双GPU策略显著提升了性能；VGG-16以其深层结构成为经典模型；ResNet通过残差块解决了梯度消失问题，提高了训练效率。此外，课程还涵盖了常用数据集（如MNIST、CIFAR-10、PASC
CNN-LSTM-Attention模型通过整合卷积神经网络（CNN）、长短期记忆网络（LSTM）和注意力机制，实现了对复杂数据任务的高效处理。CNN负责提取空间特征，LSTM捕捉时间序列的长期依赖关系，而注意力机制则动态聚焦关键信息，提升模型处理精度。该模型在多维特征挖掘、泛化能力和多变量数据处理方面表现出色，广泛应用于经济预测、气象预报、金融市场分析和能源需求预测等领域。通过代码实现，模型能够
else:# 初始化模型。
光伏发电作为一种清洁、可再生的能源形式，在全球能源转型中扮演着日益重要的角色。然而，光伏发电的输出功率受到诸多因素影响，如光照强度、温度、天气条件等，呈现出高度的时序依赖性和非线性特征。准确的光伏数据时序预测对于电力系统的稳定运行、能源资源的优化调度以及光伏电站的经济效益提升至关重要。传统的时序预测方法，如自回归积分滑动平均（ARIMA）模型，在处理复杂、非线性的光伏数据时往往表现不佳。
时间序列预测在金融、气象、工程等领域扮演着至关重要的角色。精准的时间序列预测可以帮助决策者更好地理解过去、洞察现在、预测未来，从而制定更加合理的策略。近年来，深度学习技术凭借其强大的非线性拟合能力，在时间序列预测领域取得了显著的进展。然而，构建有效的深度学习模型往往需要仔细的超参数调优，这是一项耗时且复杂的任务。本文将聚焦于利用贝叶斯优化方法来优化卷积神经网络-长短期记忆网络（CNN-LSTM）模
原创未发表]基于SSA-CNN-BiLSTM-Attention、CNN-BiLSTM-Attention、SSA-CNN-BiLSTM、CNN-BiLSTM、BiLSTM、CNN6模型多变量时序预测一键对比(仅运行一个main即可) Matlab代码 可广泛应用于光伏、风电功率等预测！！！每个模型的预测结果和组合对比结果都有！1.无需繁琐步骤，只需要运行一个main即可一键出所有图像。2.本程序
以上是关于如何安装 GPUStack 并在不同场景下部署 DeekSeek R1 模型的使用教程。了解更多信息。GPUStack 是一个低门槛、易上手、开箱即用的私有大模型服务平台。它可以轻松整合并利用各种异构 GPU 资源，方便快捷地为生成式 AI 应用和应用开发人员部署所需的各种 AI 模型。GPUStack 背后的研发团队具有全球顶级开源项目经验，项目的功能设计和文档都很完整，团队自项目初期
神经网络在计算机视觉任务（如目标检测）中实现了最先进的方法，取得了令人瞩目的成果。然而，这种成功在很大程度上依赖于昂贵的计算资源，这使得使用廉价设备的人们难以享受到这一先进技术。在本文中，我们提出了跨阶段部分网络（CSPNet），从网络架构的角度缓解了以往工作对大量推理计算的需求。我们将这一问题归因于网络优化过程中梯度信息的重复。所提出的网络通过整合网络阶段开始和结束时的特征图，尊重了梯度的变异性
多变量时序预测在诸多领域，如金融预测、气象预报、电力负荷预测等，都扮演着至关重要的角色。随着深度学习技术的快速发展，各种神经网络模型在时序预测任务中展现出强大的能力。
RIME（Recurrent Inception Multi - scale Encoder）模型：RIME 模型采用循环 inception 结构，能够在多个时间尺度上对多变量时间序列数据进行编码。在 RIS 辅助双功能雷达和通信系统中，不同变量的变化可能具有不同的时间尺度特征。例如，雷达目标的运动速度变化可能在较长时间尺度上较为明显，而通信信道的衰落可能在较短时间尺度上频繁发生。
是由等人于 2017 年提出的，它在的基础上进行了扩展，除了执行（即物体的分类和定位）之外，还增加了的功能，能够精确地预测每个目标的。与其他目标检测方法相比，Mask R-CNN 在精度上具有显著优势，尤其是在实例分割任务上。它在 COCO 数据集上取得了出色的表现，因此在计算机视觉领域中得到了广泛应用。本文将详细介绍的，并提供代码示例，帮助读者深入理解 Mask R-CNN 的工作原理。
本实验的目标是实现一个基于人脸识别的系统，通过使用卷积神经网络（CNN）和面部特征提取技术，训练并测试一个人脸识别模型。通过比较所识别的人脸与预先存储的图像进行匹配，以验证模型的准确性和实用性。浅层网络作业，构建浅层人脸识别网络，从同学中的随机选出10-15人作为样本库，随机选择5-10人测试，统计识别率。测试单张图片：python predict.py。训练模型：python train.py。
时间序列预测是众多领域中一项至关重要的任务，涵盖了金融市场预测、气象预报、能源管理以及工业过程监控等诸多方面。传统的预测方法，例如ARIMA模型和指数平滑法，虽然在特定场景下表现良好，但往往难以捕捉到时间序列数据中复杂的非线性模式和长程依赖关系。近年来，深度学习技术的快速发展为时间序列预测提供了新的有力工具，其中卷积神经网络（CNN）和门控循环单元（GRU）的结合，展现出在处理此类问题上的显著优势
VGG16模型本次实验VGG16模型修改冻结前13层卷积，只修改全连接在全连接层前添加BN层、全局平均池化层，起到降维作用，因为VGG16的计算量很大全连接层中添加Dropout层修改后代码：# 导入官方VGG16模型# 冻结卷积权重# 获取卷积层输出# 添加BN层# 添加平均池化，降低计算量# 添加全连接层和Dropout# 创建模型结果最好结果，个人感觉想要继续提升精度，最简单方法，是结合Re
https://www.bilibili.com/video/BV1fU4y1E7bY?p=1&vd_source=7dace3632125a1ef7fd32c285eb2fbac
智慧监狱AI视频分析系统通过智能化视频分析技术，智慧监狱AI视频分析系统改变了传统安防监控的一些原有缺陷，实现了监管方式从被动监控到智能自动监控的改变。智慧监狱AI视频分析系统可以识别分析：区域入侵检测、异常徘徊检测、睡岗离岗检测、跌倒检测、打架斗殴检测、视频骤变检测、遗留物检测、攀高识别、异常奔跑检测、独处时间过长检测等。
基于CNN-Bi-LSTM-Attention实现单变量时间序列预测（案例+源码）
这段代码是一个基于 TensorFlow 和 Keras 的深度学习模型，用于进行数据的回归任务。让我逐步解释一下：导入必要的库：这里导入了 NumPy 用于数值计算，Pandas 用于数据处理，Matplotlib 用于绘图，TensorFlow 用于构建和训练深度学习模型，以及一些相关的模块和函数。读取 CSV 文件：使用 Pandas 读取名为 "data_csv.csv" 的 CSV 文件
最后不要忘了我们介绍的这篇论文:《nnU-Net Revisited: A Call for Rigorous Validation in 3D Medical Image Segmentation》重新审视了3D医学图像分割领域，特别是关注在新方法与旧基准的比较中存在的验证不足问题。作者通过批判性地评估现有研究中的常见短板，揭示了许多新颖方法性能超越传统方法的声称在严格验证后难以站得住脚。
在本文中，我们提出了一种名为unetr++的三维医学图像分割方法，该方法既提供了高质量的分割mask，又在参数、计算成本和推理速度方面具有效率。我们设计的核心是引入一种新的高效成对注意(efficient paired attention， EPA)块，该块使用基于空间和通道注意的一对相互依赖的分支有效地学习空间和通道方面的判别特征。
Fully connected layer会观察整个图像，加入receptive field后限制了neuro的弹性，neuro加入参数共享后会变成convolutional layer，此时model bias会更大，但model bias大不一定是件坏事。neuro在对数据的处理时所作的操作都是相同的，不同的是所守卫的receptive field不同。例如上图将neuro负责的recepti
训练集-测试集-验证集：用于训练模型。：用于调整和选择模型--调整模型参数：用于评估最终的模型。
Pytorch 利用Facenet和Retinaface实现人脸识别
multilayer perceptron(多层感知机器)。常用于处理简单逻辑数学问题。
第五章课后题
问题描述：人脸识别ArcFace无法正常作为loss函数使用。Model0Zoo的研究网络中有个人脸识别的ArcFace方法。在使用的时候，可能是我操作问题无法正常使用。【操作步骤&问题现象】1、定义resnet50的网络，19分类。net = resnet50(19)2、自己定义一个loss类。步骤是先将网络输出与标签输入到ArcFace中，然后再将ArcFace的结果输入到SoftMaxCE中
介绍了Deep Neural Network 的加速优化的一个方法： Batch Normalization
这篇文章将会详细介绍格拉姆角场 （Gramian Angular Field），并通过代码示例展示“如何将时间序列数据转换为图像”。Gramian Angular Summation / Difference Fields (GASF / GADF)可以将时间序列转换成图像，这样我们就可以将卷积神经网络 (CNN) 用于时间序列数据基本概念在开始介绍之前，我认为首先我们应该熟悉一下 GASF /
WinputW_{input}Winput和HinputH_{input}Hinput是图片的宽和高。WfilterW_{filter}Wfilter和HfilterH_{filter}Hfilter是卷积核的宽和高。PPP是padding填充的圈数。SSS是卷积核的步长。
一：卷积神经网络介绍：1. 定义：卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一[1-2]。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行
接上篇核心部分是计算机视觉的高层：环境理解。这部分是深度学习在计算机视觉最先触及，并展示强大实力的部分。出色的工作太多，是大家关注和追捧的，而且有不少分析和总结文章，所以这里不会重复过多，只简单回顾一下。我整理了一份关于pytorch、python基础，图像处理opencv\自然语言处理、机器学习、数学基础等资源库，想学习人工智能或者转行到高薪资行业的，大学生都非常实用，无任何套路免费提供,，加我
yolov4 火焰检测 火焰识别 代码 数据集 开源效果1、训练2、训练后给出的指标3、视频平台如何搭建1、配置环境2、导入权重3、常用命令4、全部工程和数据集文件(可选)效果1、训练2、训练后给出的指标2021年8月16日08:27:56 yolov4原版cfg配置：[net]# Testing#batch=1#subdivisions=1# Trainingbatch=64subdivisio
1. 导入所需要的python包import osimport globimport cv2import numpy as npimport tensorflow as tfimport matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_splitfrom tensorflow.keras.models i
（1） Youtube Facehttp://www.cs.tau.ac.il/~wolf/ytfaces/，http://www.msn.com/zh-cn?pc=EUPP_用户名wolftau 密码wtal997人数：1595图像数：未知，共3425个视频（最长6,070帧，最短48帧）Video12...
卷积算子计算方法(卷积运算) -- 卷积操作是对图像处理时，经常用到的一种操作。它具有增强原信号特征，并且能降低噪音的作用。 那么具体是如何计算的呢？且看下文。待处理图像数据(5*5)： 卷积核：(3*3)A = [17 24 01 08 15 H = [8 1 6 23 05 07 14 16
YOLOV11目标检测算法解析 本文深入剖析了YOLOV11目标检测算法的网络架构和代码实现。该算法采用模块化设计，包含骨干网络(负责特征提取)、颈部网络(特征融合)和头部网络(目标预测)三部分。骨干网络通过卷积层、池化层和残差结构提取多尺度特征；颈部网络采用上/下采样和特征融合技术增强特征表达能力；头部网络生成预测框并输出类别和位置信息。代码实现部分详细介绍了环境搭建、数据预处理、模型构建、训练
cnn
——cnn
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DAMO开发者矩阵
AtomGit开源社区
