登录社区云，与社区用户共同成长
邀请您加入社区
去均值操作是将图像中每个像素点的 RGB 值减去数据集的均值，这样可以使数据的中心分布在原点附近，有助于模型的收敛。卷积神经网络模型有小到几层的浅层网络结构也有大道数百层的超深层网络（如ResNet 的变体），网络的层数并非越深越好，ResNet 论文指出，超过一定深度后（如 152 层 vs 1000 层），精度提升趋于饱和，甚至因过拟合而下降。对于图像数据而言，通常以多维数组的形式输入，比如常
本文介绍了一个基于CNN的回归任务项目，用于预测图像中的两个连续数值（如速度和转向角）。项目流程包括数据加载、增强、CNN特征提取和回归预测。关键特点包括： 自定义数据集类处理连续标签 手写数据增强函数（色调、饱和度、对比度调整等） 简单CNN架构（6层卷积+全连接层） 使用L1Loss和分段学习率策略 水平翻转时标签同步取反的巧妙设计 验证集MAE稳定在0.029左右，训练集MAE约0.016-
说明，以下内容右chatgpt生成，为了个人多次深刻理解，现记录下来，供反复理解。
在图像任务中，如果直接使用全连接网络，会遇到一个非常明显的问题：参数量太大。例如一张较大的图像，如果每个像素都和下一层每个神经元相连，那么权值数量会迅速膨胀。参数越多，计算越慢，模型越难收敛，也更容易过拟合。更重要的是，全连接网络没有充分利用图像的空间局部性。图像中的信息往往是局部相关的。比如边缘、纹理、角点、局部轮廓等特征，通常只和附近像素有关，而不需要每个像素都和所有神经元建立连接。因此，卷积
本文通过可视化方式解析CNN如何“看见”图像，打破深度学习黑盒认知。核心要点包括：1）图像在模型中转化为三维数字张量；2）卷积运算本质是局部特征的乘加计算；3）CNN层级结构实现从边缘到语义的逐层抽象；4）YOLO通过Backbone-Neck-Head架构完成目标检测。文章提供7天学习路线和实操代码，帮助新手从图像张量、卷积计算到特征可视化和YOLO检测逐步掌握深度学习原理。建议通过打印网络结构
摘要：动态卷积通过多专家卷积核自适应组合，克服传统固定卷积模板的局限性。其核心是使用注意力机制生成样本专属权重，加权融合多个预定义卷积核。原实现采用Softmax路由配合温度退火策略防止专家退化，现改进为Sigmoid激活实现更稳定的多专家协同学习。具体实现包含：1）注意力模块输出Sigmoid权重；2）动态卷积模块加权聚合专家核；3）在C2fCIB和P4层Bottleneck结构中嵌入动态卷积。
手写数字识别是计算机视觉领域最经典的入门问题之一。它的目标是让计算机能够自动识别用户手写的 0-9 这 10 个数字。这个看似简单的问题，实际上是 OCR（光学字符识别）技术的基础，在邮政编码识别、银行支票处理、车牌识别等场景中有着广泛应用。数据处理 → 模型设计 → 训练优化 → 评估分析 → 部署应用掌握了这些，你就具备了处理更复杂视觉任务的基础。
本文介绍了使用CNN进行MNIST手写数字识别的完整流程，采用代码驱动的学习方式。主要内容包括：1) 环境准备与MNIST数据加载；2) 数据预处理（归一化和通道维度调整）；3) 构建CNN模型（包含卷积层、池化层、全连接层）；4) 模型训练与评估。文章通过代码示例、原理解释和深入思考三个维度，详细讲解了每个步骤的实现方法和背后的深度学习原理，特别对卷积运算、ReLU激活函数等核心概念进行了可视化
这篇文章详细介绍了如何从零开始用PyTorch实现LeNet卷积神经网络，并应用于Fashion-MNIST数据集分类任务。主要内容包括： LeNet架构解析：包含卷积层块（特征提取）和全连接层块（分类判断）两部分 环境准备：PyTorch安装验证和必要库导入 模型搭建：详细说明了卷积层、池化层和全连接层的实现方式 数据加载：Fashion-MNIST数据集的获取和预处理 训练流程：完整的训练和评
例如，对于一个通道数为C的H×w×c大小的图像，使用K×K×C大小的卷积核以1的步长进行卷积，则该卷积核输出的特征图维度为(H-K+1)(W-K+1)。对于包含m个卷积核的卷积层，将这m个卷积核的特征图进行堆叠, 该卷积层输出的特征图维度为(H-K+1)(W-K+1)m。卷积层通过多个卷积核并行工作，每个卷积核都学习提取不同的特征，从而形成多通道的输出特征图。其中，局部连接体现在输出特征图的每个值
本文介绍了ResDenseNet模型的构建与训练，该模型融合了ResNet的残差连接和DenseNet的密集连接优势。通过DenseResidualBlock模块实现内部密集拼接和外部残差相加，在保持参数高效的同时优化了特征复用和梯度回传。模型采用Pre-Activation设计、余弦退火学习率等策略，在图像分类任务中取得85.3%的测试准确率，验证了融合架构的有效性。
本文提出一种CNN-LSTM混合神经网络模型，用于预测碳纤维/尼龙6复合材料的弹性模量与泊松比。模型通过输入柔度矩阵图像和铺层信息，结合CNN提取空间特征和LSTM处理序列特征，实现了R²最高达0.976的预测精度，误差控制在5%以内。实验表明，ResNet-101作为特征提取网络比VGG16精度高3.5%，仅需1200组样本即可训练出高精度模型。该方法为复合材料性能预测提供了高效解决方案，但需进
摘要： 视觉Transformer (ViT) 通过将图像分割为16x16块并应用纯Transformer架构，在图像识别任务上达到或超越CNN性能。研究表明，模型性能更依赖数据规模和计算资源而非固有归纳偏置。ViT将图像块线性投影为序列输入，结合位置编码和分类Token，通过多层自注意力机制处理。在JFT-300M等大数据集上，ViT以更低计算成本（2.5k TPU-days）实现SOTA（Im
Vision Transformer（ViT）在图像分类、目标检测、语义分割等计算机视觉任务中取得了超越卷积神经网络的卓越性能。然而，ViT 庞大的参数量和计算复杂度使其难以部署到资源受限的边缘设备上。模型量化作为一种高效的压缩技术，通过将高精密浮点参数映射到低位宽整数量级，显著降低存储与计算开销。本文围绕。
本文提出MixerCSeg模型用于道路裂缝分割，融合CNN、Transformer和Mamba的优势。创新点包括：1）TransMixer模块解耦注意力机制，协同三种架构特征；2）DEGConv方向引导卷积增强边缘特征；3）SRF模块优化多尺度融合。实验表明，在四个数据集上达到SOTA性能（mIoU提升1.43-1.78%），参数量仅2.54M，计算量2.05GFLOPs，兼具高精度与高效率。该模
PASCAL VOC 包含 20 个目标类别。我们还加入了一个背景类别。加入背景类别的原因是目标检测模型需要区分目标区域和非目标区域。"bicycle","bird","boat","bottle","bus","car","cat","chair","cow","dog","horse","person","sheep","sofa","train",OUTPUT此模块创建了人类可读标签和数字标
卷积神经网络（Convolutional Neural Network, CNN）是含有卷积层的神经网络，卷积层的作用是自动学习、提取图像的特征。层次作用卷积层（CONV）负责提取图像中的局部特征池化层（POOL）大幅降低参数量级（降维）全连接层（FC）输出CNN模型的预测结果给定一张图片，判断图片里是什么东西。最左边是数据输入层（去均值、归一化等预处理），中间经过卷积层+激活层+池化层的循环叠加
摘要： EvoEnv提出AI自进化的新范式，通过环境构造而非数据生成实现持续进化。传统"伪自进化"依赖人工出题和奖励，存在数据不可复用、场景迁移差等问题。EvoEnv的核心在于求解-验证不对称性（模型能验证答案但解题能力不足），通过构建可复用的"考场环境"驱动进化。实验显示，14B小模型结合结构化World Knowledge可超越更大模型。关键设计包括：Native Agent的自发探索、训练阶
在工业领域，设备故障诊断对于保障生产连续性、提高生产效率以及确保人员安全至关重要。随着数据驱动的故障诊断方法不断发展，结合先进的信号处理技术与深度学习模型成为研究热点。连续小波变换（CWT）能够有效地提取信号的时频特征，而卷积神经网络（CNN）、残差网络（ResNet）、支持向量机（SVM）、双向门控循环单元（BiGRU）以及长短期记忆网络（LSTM）等模型在处理和分类这些特征方面各有优势。本文基
其二，分析手段固化，传统聚类算法（如K-means、层次聚类）在高维空间中的欧氏距离失效（维度灾难），且对初始种子点极度敏感，导致分层结果的可复现性差；在实证中，我们通过对比该点邻域内的随机扰动点（微扰分析），发现扰动后的目标函数值均显著上升，从而反证了当前解在局部与全局意义上的Pareto有效性。PGSA特有的基于形态素浓度的轮盘赌选择机制，在理论上具有更强的全局搜索能力，特别是在处理本研究中非
本文系统梳理了神经网络的发展脉络：从线性回归和分类的基础模型出发，逐步引入感知机、多层网络和BP算法，最终发展为卷积神经网络。文章揭示了神经网络演化的内在逻辑：从简单线性拟合到复杂非线性建模，从全连接到局部连接，始终围绕模型表达、误差定义和参数更新三个核心问题展开。特别强调了BP算法作为训练框架的通用性，以及CNN针对图像特性的结构创新。这种渐进式的学习路径有助于理解深度学习并非"黑箱&
卷积层和池化层负责提取特征，全连接层负责把这些特征组合起来，做最终的分类。在进入全连接层之前，我们需要把多维的特征图展平成一维向量比如经过卷积和池化后，我们得到了 6 个 5×5 的特征图展平后就是：6×5×5 = 150 个特征然后把这 150 个特征输入到全连接层，最后输出 10 个类别的概率（对应 0-9 十个数字）模型年份核心特点历史地位AlexNet2012用了 ReLU 激活、Drop
ViT 的想法看起来非常简单：把一张图像切成很多小块，也就是 patch，然后把这些 patch 当成一个个 token，送入 Transformer 中进行建模。ViT 的出现并不是因为 CNN 突然失效了，而是因为视觉任务的发展需求发生了变化。随着大规模预训练、多模态学习、视觉基础模型和高效部署的发展，视觉模型不再只需要识别局部纹理和形状，还需要更强的全局建模能力、更统一的结构形式，以及更好的
卷积神经网络（CNN）是一种专门处理网格状数据的深度学习模型，其核心组件包括输入层、卷积层、ReLU激活层、池化层和全连接层。卷积层通过滑动卷积核提取局部特征，ReLU引入非线性，池化层降维增强鲁棒性，全连接层整合特征输出结果。CNN通过层次化特征提取和组合实现高效学习，广泛应用于图像识别等领域。文章还介绍了AI大模型课程，帮助学习者掌握前沿技术实现职业转型。
结果思考：发现AlexNet的最终训练准确率train acc =0.927 ，比LeNet提升了11%， 说明提取特征的能力远强于 LeNet， 原因主要是AlexNet使用更深的网络、并引入relu（其梯度恒为1，不存在sigmoid梯度消失问题）允许网络训练的更深。网络简单介绍： 2014年google团队建立，网络共 22层， 500万参数，imageNet大赛 上Top-5错误率6.67
本文介绍了一个基于YOLOv8的智慧化工地管理系统构建方案。该系统可检测10类工地要素（包括安全装备、车辆设备等），使用包含5万张图像、8万标注的COCO格式数据集（12GB）。文章详细说明了系统实现流程：1）安装依赖库；2）准备标准格式数据集；3）配置训练参数；4）编写训练脚本；5）开发检测工具函数；6）构建PyQt5图形界面。系统通过YOLOv8模型实现实时目标检测，并可视化检测结果，为工地安
本文对比分析了卷积神经网络(CNN)和视觉Transformer(ViT)在计算机视觉领域的核心架构与性能差异。CNN通过局部卷积核和分层特征提取实现高效图像处理，但难以捕捉全局特征；ViT则借鉴NLP中的Transformer架构，将图像分割为补丁并利用自注意力机制实现全局特征学习。文章详细解析了两者的工作原理，并通过汽车零部件分类的实战案例展示了ViT的优势：更强的全局特征捕捉能力和迁移性，但
本文对比分析了卷积神经网络(CNN)和视觉Transformer(ViT)在计算机视觉领域的应用。CNN通过局部卷积操作高效提取图像特征，但难以捕捉全局关联；ViT借鉴NLP中的Transformer架构，将图像分割为补丁后利用自注意力机制实现全局特征学习。文章详细解析了两者的核心架构差异，并通过汽车零部件分类的实战案例展示了ViT的优势。最后指出选择建议：小数据量或局部特征任务适合CNN，而需要
本文介绍了卷积神经网络(CNN)的核心概念及其相对于多层感知机(MLP)在处理图像数据时的优势。主要内容包括： MLP处理图像的局限性：展平操作破坏图像空间结构，导致参数爆炸和过拟合问题 CNN的核心机制：通过局部连接和参数共享保留空间信息，大幅减少参数量 CNN与人类视觉的相似性：从局部到全局的层次化特征提取 代码演示：直观展示展平操作如何破坏图像的空间邻接关系 文章通过对比分析，阐明了CNN作
摘要：本文介绍了一种基于TCN-BiLSTM混合模型的多变量单步时序预测方法。该方法结合时间卷积网络(TCN)的特征提取能力和双向长短期记忆网络(BiLSTM)的时序建模优势，有效解决了传统方法在处理非线性、多变量耦合时序数据时的局限性。文章详细阐述了模型架构设计，包括TCN前端模块、BiLSTM时序编码层和回归输出模块，并提供了MATLAB实现示例。实验结果表明，该混合模型在预测精度和鲁棒性方面
导读LETNet将U形CNN与Transformer有效地结合在一起，以胶囊嵌入的方式弥补彼此的不足。同时，精心设计的轻量级空洞bottleneck（LDB）模块和特征增强（FE）模块对从头开始的训练产生了积极影响。在具有挑战性的数据集上进行的大量实验表明，LETNet在准确性和效率之间的平衡方面表现出色。摘要在过去十年里，卷积神经网络（CNNs）在语义分割任务中展现出了重要地位。尽管CNN模型表
本文将介绍深度学习语义分割任务中常用的几个模块，主要包括：ASPP、PP、Encoding、JPU、DCM几个模块，分析其原理并给出对应的代码实现，相信一定对你有所帮助。
作者提出了一种深度阶段分解策略（Deep-stage Decomposition Strategy, DDS），该策略受人类视觉系统“先概览后细看”（Overview-first-Look-Closely-next）机制的启发，将卷积网络（ConvNet）分解为三个协同工作的子网络：Base-Net（基础网络）、Overview-Net（概览网络）和Focus-Net（聚焦网络）。这种设计旨在通过
本文系统对比了目标检测领域的两大流派：两阶段算法（以Faster R-CNN为代表）和一阶段算法（以TOOD和YOLOv8为例）。Faster R-CNN通过RPN和检测头的两阶段设计实现高精度检测，但速度较慢；TOOD创新性地提出任务对齐头，解决了一阶段算法分类与定位错位的问题；YOLOv8则在速度、精度和工程化上取得平衡，成为工业落地首选。文章从架构范式、任务设计、锚框机制等维度深入分析，并给
本期我们基于 PHM2012 挑战赛滚动轴承全寿命数据，推出基于 Python 的轴承寿命预测模型合集：LSTM、CNN、GRU、TCN、Transformer、CNN-LSTM、CNN-Transformer、Transformer-BiLSTM等系列预测模型全家桶，并提供丰富的实验和解说
发表时间：2024本文提出了一种空间和频域融合网络（SFFNet）框架，旨在充分利用空间信息进行分割，并解决遥感图像分割中处理显著灰度变化区域的挑战。： 使用空间方法提取特征，获得具有充足空间细节和语义信息的特征。：将这些特征映射到空间和频域。在频域映射中，引入了小波变换特征分解器（WTFD）结构，利用Haar小波变换将特征分解为低频和高频成分，并与空间特征结合。为了弥合频域和空间特征之间的语义差
过去几年，我的日常是“炼丹”——算 FLOPs、卡显存、调 Learning Rate、在 ResNet 或 YOLO 里加各种 Trick。在那个世界里，一切都很确定：输入一张 Tensor，经过一堆卷积层，输出一个预测结果。
本文介绍了CNN-Informer融合模型在高炉温度预测中的应用。针对LSTM模型在工业场景中的三大痛点（计算复杂度高、难以捕捉长期依赖、无法并行计算），提出结合CNN局部特征提取和Informer全局依赖建模的创新方案。文章详细解析了Informer的核心原理，包括ProbSparse自注意力机制和蒸馏机制，并展示了CNN-Informer的融合架构设计。该模型通过CNN捕获多尺度局部特征，利用
本文探讨了AI架构从CNN到Transformer再到RAG的演进历程，揭示了智能系统从单点能力向分层协作的转变。作者指出，CNN作为感知层仍发挥重要作用，Transformer增强了语义理解能力，而RAG则构建了外部知识接入层，三者并非替代关系而是协同演进。文章强调真正的RAG系统远不止向量数据库，而是包含检索、过滤、排序、生成、溯源的完整闭环。最后提出未来智能系统将分为感知层（CNN）、认知层
摘要：本项目基于MATLAB平台，利用卷积神经网络(CNN)实现轴承剩余寿命(RUL)预测。针对轴承故障的隐蔽性和渐进性特点，通过信号预处理、时频转换和CNN特征提取，构建端到端预测模型。项目解决了早期退化信号微弱、寿命标签构造复杂等挑战，采用滑动窗口采样、标准化处理和合理标签设计等方法。模型包含数据采集、预处理、CNN特征提取和回归输出四层架构，在测试集上评估RMSE、MAE和R2等指标。该方案
摘要：本项目基于MATLAB实现了一种结合卷积神经网络(CNN)和长短期记忆网络(LSTM)的多变量时序分类预测模型。针对工业生产、环境监测等场景中的多维时序数据，该模型通过CNN提取局部特征模式，利用LSTM捕捉长期依赖关系，实现了端到端的分类预测。项目包含完整的数据预处理、网络构建、训练评估流程，并提供了可视化分析功能。实验结果表明，该CNN-LSTM模型能有效处理高维时序数据，在多类别分类任
世界模型可以预见不同动作的结果，这对自动驾驶至关重要。然而，现有的驾驶世界模型在对未知环境的泛化、关键细节的预测逼真度以及灵活应用的动作可控性方面仍然存在局限性。在本文中，我们提出了Vista，一个通用的驾驶世界模型，具有高保真度和多方面的可控性。基于对现有方法的系统诊断，我们引入了几个关键因素来解决这些限制。为了以高分辨率准确预测真实世界的动态，我们提出了两种新的损失来促进移动实例和结构信息的学
cnn
——cnn
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
AtomGit AI 社区
DeepSeek技术社区
全球具身智能开发者社区
龙虾开发者社区
