C_小米同学个人主页

@weixin_43507744

C_小米同学

2022-11-25 17:33:23 加入 DevPress

简介

该用户还未填写简介

擅长的技术栈

未填写擅长的技术栈

可提供的服务

暂无可提供的服务

深度学习基础：深入理解Squeeze-and-Excitation (SE)网络

对于CNN网络来说，其核心计算是卷积算子，其通过卷积核从输入特征图学习到新特征图。从本质上讲，卷积是对一个局部区域进行特征融合，这包括空间上（H和W维度）以及通道间（C维度）的特征融合我们可以发现卷积实际上是对局部区域进行的特征融合。这也导致了普通卷积神经网络的感受野不大，当然你也可以设计出更多的通道特征来增加这个，但是这样做导致了计算量大大的增加。因此为了空间上融合更多特征融合，或者是提取多

#深度学习 #cnn #神经网络 +2

深度学习入门基础：图像分类网络整理(最全)

目录图像分类Lenet1.简介2.网络结构Alexnet1.简介2.网络结构VGG1.简介2.网络结构3.VGG改进点总结GoogLeNet1.网络简介2.inception的结构3. 1x1卷积核的主要作用4. 几点说明Resnet1.简介2.网络结构DenseNet1.简介2.网络结构EfficientNetEfficientNetV2sufflentV2sufflenet时间轴代码实现训练结

#深度学习 #pytorch #分类 +2

可解释深度学习：从感受野到深度学习的三大基本任务：图像分类，语义分割，目标检测，让你真正理解深度学习

深度学习一直作为一个“盲盒”被大家诟病，我们可以借助深度学习实现端到端的训练，简单，有效，但是我们并不了解神经网络的中间层到底在做什么，每一层卷积的关注点是什么。我在之前的专题浅谈图像处理与深度学习中提到，我们在深度学习刚开始的时候，我们要实现一个任务，比如：把不清晰的图像变清晰，我们随意的搭建了三层网络，然后开始训练，发现效果比传统的图像处理方法好，而且简单有效，然后我们再随意的搭建四层网络，

#深度学习 #神经网络 #人工智能 +2

深度学习基础：超分辨率网络整理之EDVR网络

超分辨率（super-resolution）、去模糊（deblurring）等视频恢复任务越来越受到计算机视觉界的关注。在NTIRE19挑战赛中发布了一个名为REDS的具有挑战性的基准测试。这个新的基准测试从两个方面挑战了现有的方法:(1)如何在给定大运动的情况下对齐多个帧(2)如何有效地融合不同运动和模糊的不同帧。在这项工作中，我们提出了一种新的视频恢复框架，增强可变形卷积，称为EDVR，以解决

#深度学习 #网络 #人工智能

深度学习入门基础：图像分类网络整理(最全)

#深度学习 #pytorch #分类 +2

深度学习基础：一次读懂CNN感受野

感受野基本概念1.输出feature map上的一个单元对应输入层上的区域大小2.感受野的增速是直接和卷积步长累乘相关，想要网络更快速的达到某个感受野尺度，可以让步长大于1的卷积核更靠前，这样可以增加网络推理速度，特增图的分辨率会迅速变小3.当有效感受野的区域能够覆盖全图时，这时的特征表达能力是最好的（有效感受野跟关注中间的内容）4. 1x1的卷积相当于全连接层，可以用前者代替后者，形成全卷积.

#cnn #深度学习 #神经网络

深度学习基础：超分辨率网络整理之EDVR网络

#深度学习 #网络 #人工智能

深度学习入门基础：图像分类网络整理(最全)

#深度学习 #pytorch #分类 +2

可解释深度学习：从感受野到深度学习的三大基本任务：图像分类，语义分割，目标检测，让你真正理解深度学习

#深度学习 #神经网络 #人工智能 +2

深度学习基础：with torch.no_grad()或@torch.no_grad() 用法

with torch.no_grad()或@torch.no_grad() 用法

#深度学习 #人工智能 #机器学习 +2

共 17 条

请选择