cnn

用“红烧鱼”类比说明卷积神经网络CNN的概念我们用一个生活中的例子——「厨房做红烧鱼」的场景，来类比卷积神经网络中多层卷积核的工作过程。你会发现，卷积层就像厨房里分工明确的厨师团队，逐步处理食材，最终完成一道复杂的菜品。

蹦蹦跳跳真可爱589

Python----目标检测（《Fast R-CNN》和Fast R-CNN）作者：Ross Girshick机构：Microsoft Research发表时间：2015年论文链接：arXiv:1504.08083

day44 python 训练CNN网络并使用Grad-CAM可视化目录一、引言二、数据集选择三、CNN模型构建与训练（一）模型构建（二）数据预处理（三）模型训练四、Grad-CAM可视化

cnn训练并用grad-cam可视化使用大米图片训练集，包含五个文件，分别是5种品牌的大米，使用cnn进行分类训练。@浙大疏锦行

CNN卷积网络：让计算机拥有“火眼金睛“（superior哥AI系列第4期）嗨！各位AI探索者们！👋 上期我们搞懂了神经网络的基本原理，今天要进入一个更激动人心的领域——计算机视觉！🤖👁️

深度学习和神经网络卷积神经网络CNN一种前馈神经网络；受生物学感受野的机制提出专门处理网格结构数据的深度学习模型核心特点：通过卷积操作自动提取空间局部特征（如纹理、边缘），显著降低参数量

蹦蹦跳跳真可爱589

Python----目标检测（《用于精确目标检测和语义分割的丰富特征层次结构》和R-CNN）原文标题：Rich feature hierarchies for accurate object detection and semantic segmentation 中文译名：用于精确目标检测与语义分割的丰富特征层次结构版本：第5版技术报告（Tech report v5）作者：Ross Girshick等（UC Berkeley）发表时间：2014年（CVPR会议扩展版）核心贡献：提出R-CNN（Regions with CNN features）框架，首次将深度卷积网络（CNN）与区域提议

【深度学习】14. DL在CV中的应用章：目标检测: R-CNN, Fast R-CNN, Faster R-CNN, MASK R-CNN深度卷积神经网络（Deep convolutional neural network， DCNN）是将深度学习引入计算机视觉发展的关键概念。通过模仿生物神经系统，深度神经网络可以提供前所未有的能力来解释复杂的数据模式，从而有效地解决各种计算机视觉任务

蹦蹦跳跳真可爱589

Python----目标检测（《基于区域提议网络的实时目标检测方法》和Faster R-CNN）标题：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

day42 简单CNN目录一、从图像分类任务谈起二、CNN架构解剖实验室2.1 卷积层：空间特征的魔法师2.2 归一化层：加速收敛的隐形推手

R-CNN 模型算法流程梳理目录一、R-CNN整体流程二、需要注意的地方论文连接：[1311.2524] Rich feature hierarchies for accurate object detection and semantic segmentation

爱学习的书文

霹雳吧啦Wz_深度学习-图像分类篇章_1.1 卷积神经网络基础_笔记深度学习-图像分类篇章参考笔记

伊布拉西莫

卷积神经网络（CNN）入门学习笔记CNN，全称卷积神经网络（Convolutional Neural Network），是一种专门用来处理图片、语音、文本等结构化数据的神经网络。它模仿人眼识别图像的方式：从局部到整体，一步步提取特征，最后做出判断。

FPGA实现CNN卷积层：高效窗口生成模块设计与验证我最近在从事一项很有意思的项目，我想在PFGA上部署CNN并实现手写图片的识别。而本篇文章，是我迈出的第一步。具体代码已发布在github上

[yolov11改进系列]基于yolov11引入感受野注意力卷积RFAConv的python源码+训练源码[RFAConv介绍]在传统卷积操作中，每个感受野都使用相同的卷积核参数，无法区分不同位置的信息差异，这都限制了网络性能。此外，由于空间注意力以及现有空间注意力机制的局限性，虽然能够突出关键特征，但由于只关注空间特征，所以无法有效解决大尺寸卷积核的参数共享问题。由此，这篇论文提出一种感受野注意力卷积 RFAConv（Receptive-Field Attention Convolution）。旨在解决传统卷积操作中参数共享导致的局限性，并通过关注感受野的空间特征来进一步提升网络性能。

【深度学习】9. CNN性能提升-轻量化模型专辑：SqueezeNet / MobileNet / ShuffleNet / EfficientNet随着深度神经网络在图像识别任务上取得巨大成功，它们的结构越来越深、参数越来越多。然而在移动端或嵌入式设备中：

[yolov11改进系列]基于yolov11替换卷积神经网CNN为KANConv的python源码+训练源码[KANConv网络介绍]Kolmogorov-Arnold网络（Convolutional KANs），这种架构旨在将Kolmogorov-Arnold网络（KANs）的非线性激活函数整合到卷积层中，从而替代传统卷积神经网络（CNNs）的线性变换。与标准的卷积神经网络（CNN）相比，KANConv层引入了更多的参数，因为每个卷积核元素都需要额外的可学习函数。这使得它能够更好地捕捉数据中的空间关系。在实验中，KANConv 层在图像识别等任务中常常表现出比传统卷积层更高的精度，特别是当网络架构经过精心

【深度学习】6. 卷积神经网络，CNN反向传播，感受野，池化变种,局部连接机制，可视化实例由 Kunihiko Fukushima 提出，Neocognitron 是最早模拟人类视觉皮层结构的人工神经网络架构。它具备层级结构与局部连接机制，可以实现位置不变性的图像识别，是现代 CNN 的雏形。

爱打代码的小高

深度学习入门6：pytorch卷积神经网络CNN实现手写数字识别准确率99%我们都知道前馈神经网络的原理就是通过调整每一层神经元的权重w和偏置b，来寻找到最佳的输入输出拟合函数，从而解释每个输入参数。

卷积神经网络(CNN)深度讲解卷积神经网络（CNN）是一种特殊的深度学习网络结构，主要用于处理具有局部和整体相关性的数据。它在图像识别领域取得了巨大的成功，因为图像数据本身就具有显著的局部和整体相关性。CNN通过卷积层、池化层等结构，能够有效地提取图像中的局部特征，并逐步组合成更高层次的特征表示。除了图像识别，CNN还在自然语言处理和语音识别等领域得到了应用。例如，在自然语言处理中，CNN可以用于文本分类、情感分析等任务，通过卷积操作捕捉文本中的局部特征，如词汇和短语的组合模式。在语音识别中，CNN可以处理语音信号的局部特征，从而识