技术栈
卷积神经网络
mailangduoduo
7 天前
人工智能
·
深度学习
·
计算机视觉
·
ocr
·
卷积神经网络
基于深度学习的图片识别系统(下)
书接上回,我们已经完成数据预处理部分的内容,后续仍需要对表格进行裁剪,此处略去该操作,接着我们需要建立模型,训练模型等操作,此处采用基于密集卷积网络的文本识别模型,并结合CTC损失函数,下面是进一步的解释。
豆芽819
8 天前
人工智能
·
python
·
深度学习
·
神经网络
·
机器学习
·
计算机视觉
·
卷积神经网络
深度学习核心算法
神经元结构 神经元通过加权求和(权重决定特征重要性)、偏置(调整激活阈值)和激活函数(引入非线性)处理输入信号。结构公式:,其中𝜎为激活函数。
豆芽819
9 天前
人工智能
·
pytorch
·
深度学习
·
神经网络
·
机器学习
·
卷积神经网络
·
循环神经网络
神经网络知识点整理
机器学习流程数据获取:收集结构化或非结构化数据(如CIFAR-10数据集,含5万张32x32训练图像、10类标签)。
天行者@
19 天前
人工智能
·
笔记
·
深度学习
·
神经网络
·
机器学习
·
cnn
·
卷积神经网络
卷积神经网络(笔记03)
卷积层在提取图像特征时,会产生大量的特征图。随着网络深度的增加,特征图的尺寸可能会变得非常大,这会导致计算量和内存需求急剧增加。池化层可以对特征图进行下采样,减少特征图的空间尺寸,从而降低计算量和内存消耗。
LChuck
20 天前
数据结构
·
人工智能
·
pytorch
·
深度学习
·
神经网络
·
分类
·
卷积神经网络
ResNet50深度解析:原理、结构与PyTorch实现
ResNet(残差网络)是深度学习领域的一项重大突破,它巧妙解决了深层神经网络训练中的梯度消失/爆炸问题,使得构建和训练更深的网络成为可能。作为计算机视觉领域的里程碑模型,ResNet在2015年的ImageNet竞赛中以超过152层的深度刷新了当时的记录,并一举夺得冠军。本文将深入解析ResNet50的网络架构、核心原理以及PyTorch实现细节,帮助读者全面理解这一经典模型的设计思想与实现方法。
小圆圆666
22 天前
人工智能
·
深度学习
·
卷积神经网络
·
迁移学习
一学就会的深度学习基础指令及操作步骤(6)迁移学习
迁移学习是将一个任务中学到的知识应用到另一个相关任务上,以提高新任务的学习效率和性能。优势:节省训练时间,提高模型性能,尤其在小数据场景下效果显著。
小圆圆666
22 天前
人工智能
·
python
·
深度学习
·
卷积神经网络
一学就会的深度学习基础指令及操作步骤(5)使用预训练模型
查看模型库和常用模型当指定 weights=VGG16_Weights.DEFAULT 时,PyTorch会:
arbboter
24 天前
人工智能
·
tensorflow
·
卷积神经网络
·
keras
·
图像识别
·
局部特征提取
·
简单cnn实现
【AI实践】基于TensorFlow/Keras的CNN(卷积神经网络)简单实现:手写数字识别的工程实践
在深度学习的广阔天地中,卷积神经网络(CNN)是计算机视觉领域的经典模型,卷积神经网络(CNN)凭借其强大的特征提取能力,成为了图像识别领域的中流砥柱。今天,就带大家深入剖析一个基于TensorFlow/Keras实现的简单CNN模型,看看它是如何在手写数字识别任务(MNIST数据集)中大显身手的。
盼小辉丶
1 个月前
深度学习
·
卷积神经网络
·
tensorflow2
TensorFlow深度学习实战(9)——构建VGG模型实现图像分类
VGG 模型是一种经典的深度卷积神经网络 (Convolutional Neural Network, CNN) 架构,该模型以其简单而有效的设计而著名,在图像分类任务中取得了优异成绩。VGG 模型的核心特点是采用了深层的网络结构,其中大部分层由卷积层和池化层组成,且卷积操作使用了尺寸较小的 3 x 3 卷积核,这使得网络能够捕捉到丰富的图像特征。
紫雾凌寒
1 个月前
人工智能
·
深度学习
·
神经网络
·
机器学习
·
计算机视觉
·
cnn
·
卷积神经网络
计算机视觉基础|卷积神经网络:从数学原理到可视化实战
在当今人工智能飞速发展的时代,卷积神经网络(Convolutional Neural Network,简称 CNN)无疑在诸多领域发挥着关键作用,尤其在计算机视觉领域,如人脸识别、图像分类、目标检测等任务中,CNN 已成为不可或缺的技术。它能够自动从大量数据中学习特征,大大减少了人工特征工程的工作量,并且在性能上超越了许多传统的机器学习方法。
紫雾凌寒
1 个月前
人工智能
·
python
·
神经网络
·
算法
·
机器学习
·
卷积神经网络
解锁机器学习核心算法|神经网络:AI 领域的 “超级引擎”
在机器学习的庞大算法体系中,有十种算法被广泛认为是最具代表性和实用性的,它们犹如机器学习领域的 “十大神器”,各自发挥着独特的作用。这十大算法包括线性回归、逻辑回归、决策树、随机森林、K - 近邻算法、K - 平均算法、支持向量机、朴素贝叶斯算法、主成分分析(PCA)、神经网络。它们涵盖了回归、分类、聚类、降维等多个机器学习任务领域,是众多机器学习应用的基础和核心。
AAIshangyanxiu
1 个月前
pytorch
·
cnn
·
卷积神经网络
·
transformer
·
遥感影像目标检测
从CNN到 Transformer:基于PyTorch的遥感影像、无人机影像的地物分类、目标检测、语义分割和点云分类
原文>>>从CNN到 Transformer:基于PyTorch的遥感影像、无人机影像的地物分类、目标检测、语义分割和点云分类
goomind
1 个月前
人工智能
·
神经网络
·
cnn
·
卷积神经网络
·
宠物狗
·
猫狗
卷积神经网络实战宠物狗识别
本文采用卷积神经网络作为核心算法框架,结合PyQt5构建用户界面,使用Python3进行开发。YOLOv11以其高效的特征提取能力,在多个图像分类任务中展现出卓越性能。本研究针对5种宠物狗数据集进行训练和优化,该数据集包含丰富的宠物狗图像样本,为模型的准确性和泛化能力提供了有力保障。通过深度学习技术,模型能够自动提取宠物狗的特征并进行分类识别。PyQt5界面设计简洁直观,便于用户操作和实时查看检测结果。
lihuayong
1 个月前
人工智能
·
计算机视觉
·
cnn
·
卷积神经网络
·
激活函数
·
全连接层
·
池化层
计算机视觉:卷积神经网络(CNN)基本概念(一)
第一章:计算机视觉中图像的基础认知 第二章:计算机视觉:卷积神经网络(CNN)基本概念(一) 第三章:计算机视觉:卷积神经网络(CNN)基本概念(二) 第四章:搭建一个经典的LeNet5神经网络
机器学习之心
2 个月前
神经网络
·
cnn
·
卷积神经网络
·
cnn-bilstm
·
双向长短期记忆神经网络
·
光伏功率预测
CNN-BiLSTM卷积神经网络双向长短期记忆神经网络多变量多步预测,光伏功率预测
代码地址:CNN-BiLSTM卷积神经网络双向长短期记忆神经网络多变量多步预测,光伏功率预测光伏功率预测在现代电力系统中占有至关重要的地位。随着可再生能源的广泛应用,尤其是太阳能的利用,光伏发电已成为电力供应的重要组成部分。准确的光伏功率预测不仅有助于电网的稳定运行,还可以优化电力资源配置,减少能源浪费,降低运营成本。此外,光伏功率的波动性对其并网运行带来了挑战,因此,提高光伏功率预测的准确性显得尤为重要。
Chatopera 研发团队
2 个月前
pytorch
·
深度学习
·
cnn
·
卷积神经网络
CNN 卷积神经网络处理图片任务 | PyTorch 深度学习实战
前一篇文章,学习率调整策略 | PyTorch 深度学习实战本系列文章 GitHub Repo: https://github.com/hailiang-wang/pytorch-get-started
新人技术员
3 个月前
神经网络
·
卷积神经网络
·
信息与通信
基于V2X的无人机与特种车辆战地智能通信:技术融合与实战应用
一、引言在现代战争的复杂环境中,通信系统的高效与可靠已然成为决定胜负的关键因素。随着军事技术的飞速发展,战争形态发生了深刻变革,作战空间不断拓展,从陆地、海洋、天空延伸至电磁、网络、太空等多维领域;作战节奏急剧加快,信息瞬息万变,战机稍纵即逝;参战力量多元化,各军兵种协同作战需求日益增长。在这样的背景下,传统的通信手段愈发难以满足现代战争对信息传递的严苛要求。迅速、准确、保密、不间断的通信,对于实现高效指挥、协同作战以及获取战场态势感知至关重要,直接关系到作战效能的发挥与战争的胜负走向。
千天夜
3 个月前
人工智能
·
分布式
·
yolo
·
计算机视觉
·
卷积神经网络
PANet:路径聚合网络——实例分割的创新之路
实例分割是计算机视觉领域的一个重要任务,它不仅需要对图像中的每个像素进行分类,还要区分出同类物体中的不同实例。在众多实例分割方法中,Mask R-CNN 作为一种经典方法,已经取得了显著的成果。然而,随着物体形状、尺寸、密度的多样化,传统方法在处理这些复杂情况时仍存在一定的局限性。
橙子小哥的代码世界
3 个月前
图像处理
·
人工智能
·
深度学习
·
神经网络
·
计算机视觉
·
分类
·
卷积神经网络
【计算机视觉基础CV-图像分类】05 - 深入解析ResNet与GoogLeNet:从基础理论到实际应用
在上一篇文章中,我们详细介绍了ResNet与GoogLeNet的网络结构、设计理念及其在图像分类中的应用。本文将继续深入探讨如何在实际项目中应用这些模型,特别是如何保存训练好的模型、加载模型以及使用模型进行新图像的预测。通过这些步骤,读者将能够完整地掌握从模型训练到部署的全过程。
千天夜
3 个月前
人工智能
·
python
·
深度学习
·
神经网络
·
学习
·
yolo
·
卷积神经网络
YOLO系列正传(三)神经网络的反向传播(back propagation)与公式推导
YOLO系列基础合集——小白也看得懂的论文精解-CSDN博客YOLO系列正传(一)类别损失与MSE损失函数、交叉熵损失函数-CSDN博客