dnn

基于脑电图（EEG）的认知负荷检测实验范式与深度神经网络的系统综述论文笔记对论文Systematic review of experimental paradigms and deep neural networks for electroencephalography-based cognitive workload detection的解读

文火冰糖的硅基工坊

[人工智能-大模型-58]：模型层技术 - 深度神经网络的本质是一个复杂的复合数学函数深度神经网络的本质是一个极其复杂的复合数序函数，本文试图从数学抽象和计算机制的角度抓住了深度学习的核心。以下从更深入的层面展开分析，并补充其复杂性的来源、实际影响及理论意义：

YOLO系列——OpenCV DNN模块在YOLOv11检测物体时输出的边界框坐标问题YOLOv11检测物体时，OpenCV DNN模块输出的边界框坐标采用‌中心点坐标加宽高的格式‌（x_center, y_center, width, height），即每个边界框由‌中心点横纵坐标和宽度高度‌四个参数确定。 ‌

微算法科技MLGO推出隐私感知联合DNN模型部署和分区优化技术，开启协作边缘推理新时代在人工智能与边缘计算深度融合的时代背景下，如何在保障数据隐私的同时实现高效的深度学习推理，正成为智能产业发展的核心挑战之一。尤其是在自动驾驶、智慧医疗、工业制造和智能城市等对响应时间和数据敏感性要求极高的场景中，边缘智能推理的性能瓶颈日益凸显。

(done) 并行计算 CS149 Lecture10 (DNN评估与优化)url: https://www.bilibili.com/video/BV1du17YfE5G?spm_id_from=333.788.videopod.sections&vd_source=7a1a0bc74158c6993c7355c5490fc600&p=10

星期天要睡觉

计算机视觉（opencv）——基于 OpenCV DNN 的实时人脸检测 + 年龄与性别识别在计算机视觉领域中，人脸检测与**人脸属性识别（如年龄、性别）**是最典型的视觉分析任务之一。本文将带你从零构建一个完整的“摄像头实时人脸检测 + 年龄识别 + 性别识别”系统，基于 OpenCV 的 DNN 模块和预训练的 Caffe 模型实现。

C嘎嘎嵌入式开发

(一) 机器学习之深度神经网络深度神经网络（Deep Neural Networks, DNN）是人工智能领域的核心技术之一，通过多层非线性变换学习复杂的特征表示。本文深入解析DNN的基本原理、网络架构、训练算法以及从感知机到现代深度网络的发展历程，帮助读者全面理解这一重要技术。

光通信｜可旋转DNN赋能OAM模式可控路由针对传统OAM模式复用光路由中存在模式演化关联强、路由功能固定、灵活性与可扩展性不足等问题，该研究提出一种基于可旋转衍射神经网络的OAM模式多端口可控路由策略。

光全息｜OAM-旋转双维度复用全息针对传统OAM模式复用全息中光学复用参数维度有限、模式-全息映射固定导致的信道扩展与动态调控困难，该研究提出基于可旋转衍射神经网络的双参数编码机制，引入旋转状态作为外在调制自由度，与固有OAM模式协同构建多维编码空间。

Monkey的自我迭代

opencv的DNN模块里这段代码实现了基于深度学习的图像风格迁移功能，使用OpenCV的dnn模块加载预训练的PyTorch模型，将艺术风格应用到输入图像上。

机器学习-深度神经网络架构

Sunhen_Qiletian

深度学习----ResNet（残差网络）-彻底改变深度神经网络的训练方式：通过残差学习来解决深层网络退化问题（附PyTorch实现）时间：2025年9月23日 17:37:05 星期二作者：AI技术爱好者 Sunhen_Qiletian

深度神经网络1——梯度问题+标签数不够问题要解决一个复杂问题，可能要训练更深的神经网络，可能会10层及以上，每层包含数百个神经元，成千上万个连接。这样大的神经网络在训练的时候可能会遇到以下问题：

一袋米扛几楼98

【机器学习】什么是DNN / MLP（全连接深度神经网络, Deep Neural Network / Multilayer Perceptron）？一句话：MLP 就是由多层“线性加权求和 + 非线性激活”堆起来的网络；层与层之间全连接，没有卷积、注意力或递归结构。

人工智能培训网

对于深度神经网络，为了使得训练过程更少遇到极小点，应该采用何种权重初始化策略？在深度神经网络中，权重初始化策略的核心目标是打破对称性、维持信号（前向传播）和梯度（反向传播）的稳定方差，从而避免训练陷入不良的局部极小点（更常见的是鞍点）并加速收敛。以下是为减少陷入不良极小点/鞍点风险而推荐的关键策略：

【深度学习②】| DNN篇本文将系统介绍基于PyTorch的深度神经网络（DNN）相关知识，包括张量的基础操作、DNN的工作原理、实现流程，以及批量梯度下降、小批量梯度下降方法和手写数字识别案例。通过学习，你将掌握DNN的核心概念、PyTorch实操技能，理解从数据处理到模型训练、测试的完整流程，具备搭建和应用简单DNN模型的能力。

【神经网络概述】从感知机到深度神经网络（CNN & RNN）输入矩阵边缘处理：填充 0 -> 宽卷积 v.s. 窄卷积序列到序列模型 (Seq2Seq)词嵌入是自然语言处理（NLP）中用于将文本中的 “词” 转换为低维稠密向量的技术，核心目标是用数值向量表示词的语义信息。在神经网络中，嵌入层（Embedding Layer）的功能就是通过嵌入矩阵将词的索引转换为嵌入向量

OpenCV中超分辨率（Super Resolution）模块类cv::dnn_superres::DnnSuperResImplOpenCV中超分辨率（Super Resolution）模块的一个内部实现类。它属于dnn_superres模块，用于加载和运行基于深度学习的图像超分辨率模型。

深入理解 OpenCV 的 DNN 模块：从基础到实践在计算机视觉领域蓬勃发展的当下，深度学习模型的广泛应用推动着技术的不断革新。OpenCV 作为一款强大且开源的计算机视觉库，其 DNN（Deep Neural Network）模块为深度学习模型的落地应用提供了高效便捷的解决方案。本文将以理论为核心，结合少量关键代码示例，深入解析 OpenCV 的 DNN 模块，助力开发者掌握这一实用工具的精髓。

PyTorch深度神经网络（前馈、卷积神经网络）z ( l ) = W ( l ) ⋅ a ( l − 1 ) + b ( l ) a ( l ) = f l ( z ( l ) ) \begin{aligned} z^{(l)} &= W^{(l)} \cdot a^{(l-1)} + b^{(l)} \\ a^{(l)} &= f_l(z^{(l)}) \end{aligned} z(l)a(l)=W(l)⋅a(l−1)+b(l)=fl(z(l))