cnn

董董灿是个攻城狮

023:到底什么是感受野？本文为合集收录，欢迎查看合集/专栏链接进行全部合集的系统学习。合集完整版请查看这里。在前面介绍卷积算法时，一直在强调一个内容，那就是卷积算法的运算过程是——

【第二十周】U-Net：用于生物图像分割的卷积神经网络U-Net（Convolutional Networks for Biomedical Image Segmentation）是一种用于图像分割的深度学习网络，最初设计用于医学图像分割任务。其核心结构由对称的编码器-解码器组成：编码器通过卷积和池化操作逐步提取图像的抽象特征并降低分辨率，从而捕捉目标的全局语义信息；解码器通过上采样和卷积操作逐步恢复分辨率，并结合编码器提供的低层特征图（通过跳跃连接）重建目标的细节信息，从而实现精确的分割。为了解决深层网络中的细节丢失问题，U-Net 引入了跳跃连接，将编码

董董灿是个攻城狮

019：什么是 Resnet50 神经网络本文为合集收录，欢迎查看合集/专栏链接进行全部合集的系统学习。合集完整版请查看这里。在上一节中，使用了一个简单的神经网络进行识别数字。

董董灿是个攻城狮

020：为什么 Resnet 如此重要？本文为合集收录，欢迎查看合集/专栏链接进行全部合集的系统学习。合集完整版请查看这里。Resnet 模型的重要性，上一节大概介绍了一下。

自动驾驶3D目标检测综述（八）在介绍完前九章的内容后，咱们已经基本完成了综述主题内容的解读。剩下只有第十章分析和展望以及第十一章总结的部分。本篇为自动驾驶3D目标检测综述的第八篇也将是最后一篇。

Coovally AI模型快速验证

目标检测新视野 | YOLO、SSD与Faster R-CNN三大目标检测模型深度对比分析目录引言YOLO系列网络结构多尺度检测损失函数关键特性SSD锚框设计损失函数关键特性Faster R-CNN

PyTorch深度学习实践【刘二大人】之卷积神经网络视频地址10.卷积神经网络（基础篇）_哔哩哔哩_bilibili网络中全部用的线形层串行连接起来，我们叫做全连接网络。输入与输出任意两节点间都有权重，这样的线形层叫做全连接层

《基于卷积神经网络的星图弱小目标检测》论文精读Dim small target detection based on convolutinal neural network in star image

深入了解卷积神经网络（CNN）：图像处理与深度学习的革命性技术卷积神经网络（CNN）是现代深度学习领域中最重要的模型之一，特别在计算机视觉（CV）领域具有革命性的影响。无论是图像分类、目标检测，还是人脸识别、语音处理，CNN 都发挥了举足轻重的作用。随着技术的不断发展，CNN 已经成为了解决众多实际问题的核心工具。

2025年CNN与Transformer融合的创新点思路CNN+Transformer这类结构其实一直都挺火的，核心在于他们的互补性。因为在一些复杂的AI应用中，单个模型很难同时高效处理多种类型的数据。如果结合CNN在图像处理上的强大能力和Transformer在序列数据处理上的优势，就可以增加模型处理的灵活性，提高计算效率。

ResNet (Residual Network) - 残差网络：深度卷积神经网络的突破在计算机视觉领域，图像识别一直是一个核心且具有挑战性的任务。随着深度学习的发展，卷积神经网络（CNN）在图像识别方面取得了显著的成果。然而，随着网络深度的增加，出现了梯度消失或梯度爆炸等问题，导致网络性能下降，这被称为 “退化问题”。ResNet（残差网络）的出现，为解决这一难题提供了有效的方案，它通过引入残差连接，使得深度卷积神经网络能够更好地学习图像特征，显著提高了图像识别的准确率，成为了深度学习领域的重要里程碑。

深度学习中的卷积神经网络（CNN）：原理与应用详解卷积神经网络（Convolutional Neural Network, CNN）是深度学习中非常重要的一类神经网络。它广泛应用于图像识别、视频分析、自然语言处理等领域。CNN通过模拟人类大脑的视觉皮层工作方式，自动从图像中提取特征，并进行分类或回归任务。

深度学习实战训练营

BERT与CNN结合实现糖尿病相关医学问题多分类模型完整源码项目包获取→点击文章末尾名片！使用HuggingFace开发的Transformers库，使用BERT模型实现中文文本分类（二分类或多分类）首先直接利用transformer.models.bert.BertForSequenceClassification()实现文本分类然后手动实现BertModel + FC 实现上边函数。其中可以方便的更改参数和结构然后实验了论文中将bert最后四层进行concat再maxpooling的方法，最后实现了bert + CNN实现文本分类模型使用的是

985小水博一枚呀

【大厂面试AI算法题中的知识点】方向涉及：ML/DL/CV/NLP/大数据...本篇介绍训练网络的时候如何判断过拟合和欠拟合？【大厂面试AI算法题中的知识点】方向涉及：ML/DL/CV/NLP/大数据…本篇介绍训练网络的时候如何判断过拟合和欠拟合？

985小水博一枚呀

【大厂面试AI算法题中的知识点】方向涉及：ML/DL/CV/NLP/大数据...本篇介绍自动驾驶检测模型如何针对corner case 优化？【大厂面试AI算法题中的知识点】方向涉及：ML/DL/CV/NLP/大数据…本篇介绍自动驾驶检测模型如何针对corner case 优化？

拓端研究室TRL

PyTorch深度学习CNN神经网络ResNet、DenseNet在CIFAR图像数据集分类应用与分析全文链接：https://tecdat.cn/?p=38782在当今深度学习领域，卷积神经网络（CNN）架构不断发展与创新，诸多先进的架构被提出并广泛应用。像GoogleNet（ILSVRC 2014获胜者）、ResNet（ILSVRC 2015获胜者）以及DenseNet（CVPR 2017最佳论文奖）等，它们在被提出时都处于当时的顶尖水平，且其核心思想也为如今众多先进架构奠定了基础。所以，深入理解这些架构并掌握如何实现它们是十分重要的（点击文末“阅读原文”获取完整代码数据）。

跟着问题学3.3——Faster R-CNN详解及代码实战Faster-RCNN 是 RCNN 和 Fast-RCNN 的进化版，最大的创新是引入了区域生成网络 (RPN - Region Proposal Network)，区域生成网络支持使用机器学习代替固定的算法找出图片中可能包含对象的区域，精度比固定的算法要高很多，而且速度也变快了。

深入探索AI核心模型：CNN、RNN、GAN与Transformer在人工智能的飞速发展中，众多深度学习模型和算法不断涌现，推动了许多领域的进步。特别是在图像识别、自然语言处理、生成建模等方向，AI模型的应用越来越广泛。本文将介绍几种最常用的AI模型，包括卷积神经网络（CNN）、递归神经网络（RNN）、长短期记忆网络（LSTM）、生成对抗网络（GAN）和变换器（Transformer），并讨论它们的基本原理和应用场景。

董董灿是个攻城狮

010：传统计算机视觉之大津算法初探本文为合集收录，欢迎查看合集/专栏链接进行全部合集的系统学习。合集完整版请参考这里。上一节学习了利用 Canny 算法来完成一个图片的边缘检测，从而可以区分出图像的边缘。

行为分析：LSTM、3D CNN、SlowFast Networks。这三者的优缺点在行为分析任务中，**LSTM**、**3D CNN** 和 **SlowFast Networks** 是三种常用的深度学习模型。它们各有优缺点，适用于不同的场景和需求。以下是它们的详细对比：