cnn

【DL】复杂卷积神经网络Ⅰ2012 年，Alex Krizhevsky等人的AlexNet模型在ILSVRC(ImageNet Large Scale Visual Recognition Challenge)中取得了骄人的成绩，这一成果使得CNN成为了当时最先进的图像识别模型。2014年，VGGNet凭借着更深更宽的网络结构取得ILSVRC竞赛定位任务第一名。同年，GoogLeNet采用了能更高效利用计算资源的Inception模块，在ILSVRC的分类任务上击败VGGNet夺得冠军。2015年，Kaiming He等人提出的R

【DL】卷积神经网络卷积其实是一种数学运算，常用于信号处理和图像处理领域。它的基本思想是将一个函数与另一个函数进行点积，并通过滑动窗口的方式计算整个输入数据的值。一维卷积的数学表示如下：

【DL】复杂卷积神经网络ⅡResNet是由微软研究院的 Kaiming He, Xiangyu Zhang, Shaoqing Ren 和 Jian Sun 在 2015 年提出的深度神经网络架构。ResNet斩获当年ImageNet竞赛中分类任务第一名，目标检测第一名；COCO数据集中目标检测第一名，图像分割第一名。它的名字来源于残差网络（Residual Network），也就是 ResNet 架构中的神经网络块是建立在残差模块之上的。

Grad-CAM解释ppo的cnn行为ppo两个动作，cnn加掩码可视化，如果cnn把特定区域标高亮是不是就知道往什么方向走了你的直觉非常敏锐！“CNN把特定区域标高亮”确实能告诉你“往什么方向走”，但这中间需要一个关键的逻辑转换：从“视觉注意”到“动作决策”的映射。

【CNN卷积神经网络（吴恩达）】目标检测学习笔记下面，我们来学习目标检测，它是计算机视觉系统中一个新兴的应用方向，相比前两年，它的性能越来越好，在构建目标检测之前，我们先了解一下目标定位，首先，看看它的定义。

人工智能之核心技术深度学习第三章卷积神经网络（CNN）第三章卷积神经网络（CNN）卷积神经网络（Convolutional Neural Network, CNN）是深度学习在计算机视觉领域取得革命性成功的基石。它通过模拟人类视觉系统的局部感知和层次抽象机制，高效地从图像中提取特征。

胖墩会武术

《图像分割简史》【PyTorch项目实战】语义分割：U-Net、UNet++、U2Net这是深度学习在图像分割领域的开山之作，它让计算机视觉从“识别图片里有什么”跨越到了“识别像素点是什么”。

基于卷积神经网络的人脸性别识别实验应用目录一、实验目的二、实验内容三、实验方法四、算法特色五、实验结果及分析1.模型架构(ImprovedCNN)

经典卷积神经网络架构详解该章节主要介绍应用较为广泛的网络架构，包括AlexNet、VGG、GoogLeNet、ResNet等经典模型。

细粒度图像分类：从双线性CNN到TransFG的技术演进细粒度图像分类是计算机视觉领域的经典难题，其目标是在大类下区分出细微的子类（如区分不同品种的鸟类、汽车、花卉），核心挑战在于“同类差异小、异类相似大”。这如同区分双胞胎兄弟——整体轮廓高度一致，仅能通过眉眼、神态等细微特征分辨，既需要精准捕捉局部关键信息，又要避免被背景、姿态等干扰因素误导。从早期依赖手工设计特征的方法，到深度学习驱动的双线性CNN，再到Transformer赋能的TransFG，细粒度分类技术逐步实现了从“局部特征聚焦”到“全局语义融合”的跨越。本文将从核心挑战、关键技术演进、前沿改进、

【显著性预测】TranSalNet：Transformer与CNN融合的视觉显著性预测模型本文介绍一种将Transformer与CNN结合的视觉显著性预测模型——TranSalNet。通过在多尺度特征图上引入Transformer编码器，有效捕获长距离上下文信息，使显著性预测更接近人类视觉注意力机制。

机器学习之心

CNN-LSTM、LSTM、CNN三模型多变量分类预测Matlab实现本代码是针对多特征分类任务的深度学习模型对比研究。在机器学习和深度学习应用中，针对不同的数据类型和任务特点，选择合适的网络架构至关重要。本研究旨在通过对比LSTM、CNN和CNN-LSTM三种主流的深度学习模型在相同数据集上的表现，为实际应用中选择合适模型提供依据。

PyTorch实战：CNN实现CIFAR-10图像分类的思路与优化在掌握了卷积神经网络（CNN）的基本组件（如卷积层、池化层）之后，最好的学习方式就是通过一个完整的项目来巩固知识。本文将带领大家梳理使用 PyTorch 框架，从零开始构建一个卷积神经网络，并在经典的 CIFAR-10 数据集上进行训练和测试，最终完成一个图像分类任务的完整思路。

图像生成 Stable Diffusion模型架构介绍及使用代码附数据集批量获取Diffusion，也就是扩散的意思。Diffusion模型是一种受到非平衡热力学启发，定义马尔科夫链的扩散步骤，向数据添加噪声，学习逆扩散过程，从噪声中构建样本。最初设计用于去噪，训练时间越长，降噪越逼真。

煤炭里de黑猫

使用 PyTorch 实现 MNIST 手写数字分类的 CNN 模型手写数字识别是计算机视觉领域的经典任务，而 MNIST 数据集提供了一个标准化的基准。本文将使用 PyTorch 框架构建一个标准的卷积神经网络（CNN），对 MNIST 数据集进行分类，并展示完整的训练和测试流程。

基于卷积神经网络通用手写体识别应用实验目录一、实验目的二、实验内容三、实验方法四、算法特色五、实验结果及分析实验源代码：模型训练结果在handdemo1.py的训练过程中，每个周期结束后会输出该周期的训练损失、测试损失、测试准确率和训练时间。典型的输出格式：

卷积神经网络的开端：LeNet−5LeNet-5神经网络是1998年YANN LECUN等人在论文Gradient-Based Learning Applied to Document Recognition中提出的一种颠覆性的算法。

即插即用系列 | AAAI 2025 Mesorch：CNN与Transformer的双剑合璧：基于频域增强与自适应剪枝的篡改定位论文题目：Mesoscopic Insights: Orchestrating Multi-scale & Hybrid Architecture for Image Manipulation Localization

【计算机视觉】基于Mask R-CNN的自动扶梯缺陷检测方法实现该数据集为自动扶梯缺陷检测数据集，采用YOLOv8格式标注，共包含361张图像。数据集由qunshankj平台用户提供，采用CC BY 4.0许可协议发布。数据集包含两个类别：‘broken’（损坏）和’unbroken’（完好），用于自动扶梯部件状态的分类检测。所有图像在预处理阶段均进行了自动方向调整（剥离EXIF方向信息）并拉伸调整至416x4416像素尺寸，但未应用任何图像增强技术。数据集按训练集、验证集和测试集进行划分，适用于目标检测模型的训练与评估，旨在实现对自动扶梯部件缺陷的自动化识别与监测。

【CNN卷积神经网络（吴恩达）】深度卷积网络（实例探究）学习笔记接下来我们来看一些卷积神经网络的实例分析，为什么要看这些实例分析呢？之前我们讲了卷积神经网络的基本构件，比如卷积层、池化层以及全连接层这些组件，事实上，过去几年，计算机视觉的大量研究都集中在如何把这些基本构件组合起来形成有效的卷积神经网络，找感觉的最好的方法之一就是去看一些案例，就像很多人通过看别人的代码来学习编程一样，通过研究别人构建的有效的组件的案例是一个不错的方法。