常见的CNN卷积神经网络

最新推荐文章于 2024-12-06 11:30:50 发布
最新推荐文章于 2024-12-06 11:30:50 发布
阅读量586 收藏 1
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Ji_HON/article/details/122281135
版权

一、FPN

 原来多数的object detection算法都是只采用顶层特征做预测，但我们知道低层的特征语义信息比较少，但是目标位置准确；高层的特征语义信息比较丰富，但是目标位置比较粗略。另外虽然也有些算法采用多尺度特征融合的方式，但是一般是采用融合后的特征做预测，而本文不一样的地方在于预测是在不同特征层独立进行的。

 二、Hourglass

通过重复自底向上和自顶向下并联合中间结果的监督用在人体姿态估计中可以很好地利用身体不同部位的空间关系。

 其中的每个子网络如下

三、HRNet

能够在整个过程中维护高分辨率的表示。我们从高分辨率子网作为第一阶段始，逐步增加高分辨率到低分辨率的子网(gradually add high-to-low resolution subnetworks)，形成更多的阶段，并将多分辨率子网并行连接。在整个过程中，我们通过在并行的多分辨率子网络上反复交换信息来进行多尺度的重复融合，使得每一个高分辨率到低分辨率的表征都从其他并行表示中反复接收信息，从而得到丰富的高分辨率表征。

四、DLA

深层特征融合。更多的非线性操作、更大的网络往往能提高模型性能，bottleneck、residual block、concatenative connection等模块的出现，进一步增强了网络的性能和可实现性，网络架构也从最初的串行连接逐渐演变成包含skip connection的形式。

DLA：一种深度网络特征融合方法

 

五、ResNet

深度残差网络。随着网络的加深，出现了训练集准确率下降的现象，我们可以确定这不是由于Overfit过拟合造成的(过拟合的情况训练集应该准确率很高)；(个人觉得应该是网络层数太深，提取的特征在逐层转递过程中消失了，网络退化)

preview

CNN经典网络：LeNet、AlexNet、NIN、VGG
qq_39382877的博客
07-27 920
前言 LeNet AlexNet NIN VGG 前言 之前刚开始接触CNN的时候导师让我写过综述，就把一些经典的CNN网络整理一下。 LeNet CNN的开山之作，是LeCun在98年解决手写是数字识别任务时提出的，从那时起CNN的基本架构就定下来了：卷积、池化、全连接层。 网络结构 如图 3.1 所示，最早的 LeNet 有 7 层网络，包括 3 个卷积层， 2 个池化层， 2...
CNN卷积神经网络
2301_77799531的博客
10-15 1089
在卷积神经网络中，卷积操作是指将一个可移动的小窗口（称为数据窗口，如下图绿色矩形）与图像进行逐元素相乘然后相加的操作。这个小窗口其实是一组固定的权重，它可以被看作是一个特定的滤波器（filter）或卷积核。这个操作的名称“卷积”，源自于这种元素级相乘和求和的过程。这一操作是卷积神经网络名字的来源。这张图中蓝色的框就是指一个数据窗口，红色框为卷积核（滤波器），最后得到的绿色方形就是卷积的结果（数据窗口中的数据与卷积核逐个元素相乘再求和）影响卷积的因素有哪些？
为你解读7大类深度CNN架构创新综述（附论文）
THU数据派
01-28 1270
来源：机器之心本文约3000字，建议阅读6分钟。本综述将最近的 CNN 架构创新分为七个不同的类别，分别基于空间利用、深度、多路径、宽度、特征图利用、通道提升和注意力。深...
CNN卷积神经网络是什么？
m0_46162011的博客
03-22 3786
CNN卷积神经网络 CNN可以看作一个黑箱，输入一个表示图片的矩阵，CNN处理后，回传一个数据，如这个图像是什么 卷积运算 卷积就是一种数学运算，用于简化更复杂的表达式 当在图像上进行卷积时，从水平和竖直两个方向上进行卷积 通过卷积核对图像进行计算，简化图像，如，可将99的图像矩阵转化为33的图像矩阵，原理就是通过图像特征与卷积核比对计算，算出图像的每一部分与卷积核的相似度，实现图片变小。 即原图中包含的特征被卷积核提取出来存放在一个更小的图像矩阵中 因此，用不同的卷积核对图像进行卷积运算就能提取出不同的特
卷积神经网络CNN以及几种经典模型
01-07
简介 CNN -> Convolutional Neural Network 卷积神经网络是由一个或多个卷积层和顶端的全连通层（也可以使用1×1的卷积层作为最终的输出）组成的一种前馈神经网络 基本概念 局部感受野(Local Receptive Fields) 一般的神经网络往往会把图像的每一个像素点连接到全连接的每一个神经元中，而卷积神经网络则是把每一个隐藏节点只连接到图像的某个局部区域，从而减少参数训练的数量。 例如，一张1024×720的图像，使用9×9的感受野，则只需要81个权值参数。对于一般的视觉也是如此，当观看一张图像时，更多的时候关注的是局部。 共享权值(Shared Weigh
cnn卷积神经网络PPT详解
08-11
CNN 卷积神经网络详解 作为一名 IT 行业大师，我将详细解释 CNN 卷积神经网络的知识点，涵盖标题、描述、标签和部分内容中的相关信息。 卷积神经网络（CNN） 卷积神经网络（Convolutional Neural Networks，CNN）...
cnn卷积神经网络是什么以及学习cnn卷积神经网络的意义
05-10
### CNN卷积神经网络概述及学习意义 #### 一、CNN卷积神经网络定义与特点 CNN（Convolutional Neural Network），即卷积神经网络，是深度学习领域中一种非常重要的模型，尤其适用于处理具有网格结构的数据，如图像...
CNN_卷积神经网络MATLAB_
10-04
卷积神经网络（CNN，Convolutional Neural Network）是一种深度学习模型，专为处理具有网格状结构数据，如图像、声音或时间序列等设计。在MATLAB中，我们可以利用其强大的数学计算能力和丰富的深度学习工具箱来实现...
【人工智能基础07】卷积神经网络基础（CNN）：卷积神经网络结构、各层计算原理，以及常见卷积神经网络
hiliang521的博客
08-03 5959
卷积神经网络
深度学习（三）：卷积神经网络CNN（常用CNN网络介绍）
qq_33378809的博客
04-01 1921
深度系列主要为 我在国科大研一期间，在《深度学习》课程中所学知识概述，根据PPT制作思维导图。 ---------------------------------------------------------------------------------------------------------------------------------------------- 感受野：单个感...
卷积神经网络五之典型的CNN网络
dujuancao11的博客
03-26 3177
一、典型的CNN网络 1、开山之作：LeNet-5 1998 LeNet-5 是一个非常成功的神经网络模型。 基于 LeNet-5 的手写数字识别系统在 90 年代被美国很多银行使用，用来识别支票上面的手写数字。 LeNet-5 共有 7 层。 （不怎么会计算） 输入层：输入图像大小为 32 × 32 = 1024。 C1 层：这一层是卷积层。滤波器的大小是 5×5 = ...
经典CNN图像分类网络汇总
Chen_Swan的博客
04-10 9524
本文将大致介绍经典的卷积神经网络。包含LeNet5、AlexNet、VGG、GoogLeNet、 卷积神经网络概述： 相比于传统特征提取方法，卷积不需要人工进行特征提取。受启发于生物神经元，激活函数用于仿真，当生物电信号超过了某一阈值，就被传递给下一个神经元；损失函数用于指导网络学习到被期望学习的东西。 CNN的优点：（1）局部连接。每个神经元只和前一层部分神经元连接，这可以加快网络收敛和减...
CNN卷积神经网络详解
qq_44815135的博客
02-04 2659
卷积神经网络（CNN）是一种深度学习模型，广泛应用于图像处理、语音识别、自然语言处理等领域。图像分类和识别：CNN在图像分类和识别方面的应用是最为广泛的。通过训练，CNN能够学习到从图像中提取特征的能力，从而实现对图像的分类和识别。例如，在人脸识别、物体检测、车牌识别等领域，CNN都取得了显著的效果。语音识别：CNN也可以应用于语音识别领域，通过对语音信号的卷积和池化处理，提取出语音的特征表示，从而实现对语音的分类和识别。
几种常见的CNN网络结构对比
SWZ156的博客
06-17 969
输入的图片大小为227*227*3, 第一个卷积层为:11*11*3即卷积核尺寸为11*11,有96个卷积核,步长为4,卷积层后跟ReLU,因此输出的尺寸为 （227-11）/4+1=55,因此其输出的每个特征图 为 55*55*96,同时后面经过LRN层处理,尺寸不变。第五层经过padding=1填充后，每组数据都被尺寸大小为 3*3*128的卷积核进行卷积运算,步长为1,加上ReLU，输出两组13*13*128的像素层。C5为卷积层，kernel size为5*5，步长为1，无填充。
有哪些常见的卷积神经网络（CONVOLUTIONAL NEURAL NETWORK, CNN）？
最新发布
线粒体小亚的空间
12-06 1174
有哪些常见的卷积神经网络（CONVOLUTIONAL NEURAL NETWORK, CNN）？
CNN经典结构（Lenet，AlexNet，VGG，GoogleNet，ResNet, Resnext, Densenet, Senet, BAM,mobilenet(1)
2401_84976700的博客
05-15 525
为了解决退化问题，提出了残差学习，如下图所示为残差块，假设本来是要学习H(x)，加了一条恒等映射之后我们要学习的就是F(x) = H(x) - x，（假设）学习F(x)会比学习H(x)更容易，最极端的情况就是假设我们要学习的映射是x，那么让F(x)为0，比学习到H(x)为恒等映射要容易。减小了参数，允许增加深度；提出来 cardinality 的概念，在上图左右有相同的参数个数，其中左边是 ResNet 的一个区块，右边的 ResNeXt 中每个分支一模一样，分支的个数就是 cardinality。
深度学习——CNN相关网络（二）
hei653779919的博客
05-17 1285
深度学习——CNN(Convolutional Neural Network)（二） 在之前的文章中，我们主要介绍了关于CNN的基本思想和基本结构，下面我们要介绍的是关于CNN的一些常见的变形结构。 1 空洞卷积(dilated convolution) 1.1 基本思想 空洞卷积的基本思想是在卷积操作之后生成的结果矩阵上增加“空洞”，依次来增加接收域(reception filed)，相比于原理的卷积操作，空洞卷积主要是增加一个超参数，这个超参数称为“空洞率”，空洞率值的是卷积核内部参数的间隔。 我们给出
通俗易懂：图解10大CNN网络架构
热门推荐
AI科技大本营
08-04 1万+
作者 | Raimi Karim译者 | Major编辑 | 赵雪出品 | AI科技大本营（ID: rgznai100）导语：近年来，许多卷积神经网络（ CNN ）跃入眼...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值