cnn

Deep Learning for Computer Vision——Attention and Transformers1. 传统 Seq2Seq 模型的瓶颈在传统的编码器-解码器（RNN）架构中，所有输入序列的信息都被压缩成最后一个隐藏状态向量 C，然后传给解码器。

图像识别总是准确率低？用卷积神经网络CNN实现高效分类关键词：卷积神经网络、CNN、PyTorch、计算机视觉、图像分类在深入卷积神经网络之前，我们需要先理解一个根本问题：计算机眼中的图像到底是什么？

MNIST 手写数字识别实战：CNN + Transformer 混合模型本项目用 PyTorch 在 CPU 上训练一个手写数字识别模型。与常见的纯 CNN 方案不同，这里采用了混合架构：CNN 负责提取局部笔画，Transformer 负责建模全局关系。

千里码aicood

PyQt基于卷积神经网络的智慧校园的设计与实现摘要：在数字化时代，智慧校园建设成为教育现代化进程中的关键一环，旨在通过先进技术提升校园管理效率与教学质量，为师生创造更智能、便捷的校园环境。随着人工智能技术的迅猛发展，卷积神经网络（CNN）以其强大的特征提取与模式识别能力，在智慧校园的多领域应用中展现出巨大潜力。

千里码aicood

基于CNN的音乐推荐系统设计与实现目录摘要ABSTRACT1. 绪论1.1 研究背景及意义1.2 国内外研究现状1.3 研究内容与方法

YOLO还能不能作为模型baseline？直接说结论：能，而且目前还是最优选择之一。这个问题经常出现在组会或者开题答辩上。总有评委老师会问："YOLO都出来这么多年了，你怎么还用这个做baseline？"然后你就慌了，觉得自己是不是选了个过时的东西。别慌，这种问题八成是老师没话找话，随便问的。

10-CNN案例-图像分类实现图像分类。CIFAR-10数据集5万张训练图像、1万张测试图像、10个类别、每个类别有6k个图像，图像大小32×32×3。下图列举了10个类，每一类随机展示了10张图片：

机器学习之心

CPO-CNN-BiLSTM 多输出回归 + SHAP 可解释分析：从超参寻优到特征归因的完整实践本文基于一套完整的 MATLAB 工程代码，拆解「冠豪猪优化（CPO）自动调参 + CNN-BiLSTM 多输出回归 + SHAP 特征贡献解释 + 新数据预测」的技术链路。不堆砌公式、不搬运教程，聚焦为什么这样设计、每一步在解决什么问题、实测结果说明了什么，供做回归预测、可解释机器学习与智能算法应用的读者参考。

从LeNet到EfficientNet：经典CNN架构二十年演进史2026年的今天，深度学习已经渗透到我们生活的方方面面——从手机相册的自动分类，到医疗影像的辅助诊断，再到自动驾驶的环境感知。而在这一场人工智能革命的背后，有一个技术基石功不可没：卷积神经网络（Convolutional Neural Network，CNN）。

Day 21：卷积神经网络CNN — 深入理解卷积今日目标：掌握卷积的数学原理、从零实现2D卷积、理解各种卷积变体及端侧AI选型预计阅读：10分钟 | 动手操作：40分钟

Είναι η κοπέλα

CNN 与模板匹配混合识别：ONNX 推理 + 置信度仲裁实战“单模板匹配在角标污损时挂，CNN 在奇怪字体上挂。混着用，靠置信度仲裁，能从 95% 抬到 99%。”

是上好佳佳佳呀

【深度学习|DAY05】卷积神经网络深度学习笔记这篇笔记是在学习卷积神经网络过程中的归纳梳理。卷积神经网络和之前学的全连接神经网络最大的不同，在于它处理的对象是图像，而图像本身有自己独特的存储方式和数据结构。所以这篇先解决两个问题：第一，图像在计算机里到底长什么样、怎么存、怎么读、维度怎么排；第二，卷积神经网络整体是一个什么样的框架，数据在里面怎么流、每一步维度怎么变、各个组件分别在哪一步起作用。

采煤工作面隐患目标检测中YOLO11与Faster R-CNN的对比研究针对煤矿井下采煤工作面裂缝、鼓包、坍塌等隐患检测中样本有限、特征微弱的问题，构建500张实景图像数据集，对比YOLO11与Faster R-CNN。实验表明，YOLO11最优mAP50达94.80%，精确率96.30%，召回率89.60%，参数量仅2.59 M，推理速度72 FPS，对细长裂缝等小目标检测完整精准；Faster R-CNN的mAP50为81.91%，对大尺度坍塌较好，但小目标漏检明显。YOLO11在精度与实时性上更具优势，适合井下部署。

Deep Learning for Computer Vision——Training CNNs and CNN Architectures这一部分回答“怎么搭建网络骨架”。💡 核心逻辑公式：无论哪种归一化，都遵循两步操作：标准化：（将数据拉到均值为 0，方差为 1 的标准正态分布）。

木棉知行者

【第8篇】OverLock（CVPR2025）：新型卷积神经网络OverLoCK，通用的即插即用Backbone！论文题目：OverLoCK: An Overview-first-Look-Closely-next ConvNet with Context-Mixing Dynamic Kernels 中文题目：OverLoCK：一种先概览-再仔细观察-最后上下文混合动态核的卷积网络文献地址：https://arxiv.org/pdf/2502.20087 源码地址：https://github.com/LMMMEng/OverLoCK 所属单位：香港大学计算与数据科学学院

从像素到汉字：OCR 模型是如何依靠 CNN “学会“识字的？一篇面向所有对深度学习好奇的朋友的技术分享。本文将以 OCR（光学字符识别）系统为例，拆解其中的 CNN 识别模块是如何被"训练"出来的——它怎样从 140 万张字形样本中自动学会"看"懂笔画、组合出特征、最终输出汉字概率。文中网络参数（Filter 数量、尺寸等）均为便于理解的示例，实际应用中可灵活调整。

深度学习为什么需要反向传播很多同学能看懂前向传播：图片进入模型，经过一层层计算，最后得到预测结果。可一到 loss.backward()，过程突然变得抽象。模型已经算出了损失，为什么还要从后往前再走一遍？损失变大时，直接让优化器修改参数不行吗？

就是一顿骚操作

VGG：用小卷积块把 CNN 做深的经典解读本文是一篇原创中文论文解读，参考 Dive into Deep Learning 的 “Networks Using Blocks (VGG)” 章节，并回到 Simonyan 与 Zisserman 的经典论文 Very Deep Convolutional Networks for Large-Scale Image Recognition。原文与图示来源、许可说明见文末。

机器学习之心

基于改进鲸鱼优化算法的CNN-BiLSTM-MATT短期电力负荷预测模型摘要：短期电力负荷预测是智能电网调度与运行的核心技术之一。本文提出一种融合改进鲸鱼优化算法（IWOA）、卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和多头注意力机制（Multi-Head Attention）的混合预测模型——IWOA-CNN-BiLSTM-MATT。该模型通过IWOA自动优化网络超参数，利用CNN提取负荷序列的局部时空特征，借助BiLSTM捕捉双向时序依赖关系，并引入多头注意力机制对不同时间步的重要程度进行自适应加权，最终实现对短期电力负荷的高精度预测。

即插即用系列 | IEEE TMI PLG-HN：原型学习引导的 CNN-Transformer 混合网络，攻克乳腺肿瘤分割难题论文标题：Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI