- 博客(5)
- 收藏
- 关注
RSS订阅原创 深度学习视觉应用全解：数据集、目标检测、语义分割与评价指标
目标检测不仅要求识别“是什么”，更要知道“在哪”。一个检测模型应能输出物体的类别与位置框坐标。YOLO（You Only Look Once）是一种端到端目标检测模型。将图像划分为网格，每个网格负责预测包含物体的概率及边界框。对图像中每个像素进行分类，使每个像素都被赋予一个语义标签。本讲义深入浅出地展示了深度学习在视觉领域的经典应用，建议初学者按照以下路径深入学习：掌握常用数据集结构与加载方式理解精确率、召回率、AP、mAP 等指标含义学习 YOLO 等端到端检测模型的原理。
2025-05-23 12:00:44
1241
原创 卷积神经网络(CNN)基础与经典网络解析
CNN通过局部连接、权值共享和分层特征提取等机制，有效解决了图像处理中的诸多挑战。从LeNet-5到ResNet，网络结构不断演进，性能持续提升。理解这些经典网络的设计思想和实现细节，对于在实际任务中选择和调整模型至关重要。随着Transformer等新架构的出现，CNN仍在不断发展，但其核心思想将继续影响计算机视觉领域的模型设计。
2025-05-12 15:51:47
519
原创 神经网络与深度学习：从多层前馈网络到性能优化
本文系统介绍了多层前馈网络和BP算法的基础理论，以及神经网络训练中的各种性能优化技术。关键点包括：多层网络解决了单层感知机的局限性，具有通用近似能力BP算法通过正向传播和反向传播训练网络权重合理的初始化、正则化和优化算法能显著提升训练效果自适应优化算法如Adam结合了动量和自适应学习率的优点。
2025-05-06 11:28:01
1428
原创 神经网络与深度学习入门：从线性回归到感知机模型
1. 神经网络与深度学习概述人工智能（AI）指的是用机器去实现那些传统上必须依靠人类智慧才能完成的任务。随着数据量爆发和计算能力提升，传统机器学习方法遇到了“大数据”和“特征工程”的瓶颈。深度学习以其自动特征提取的优势，成为新时代人工智能发展的核心动力。神经网络（Neural Networks，NN）模仿人脑神经系统结构，致力于通过数据学习复杂的函数映射关系。深度学习（Deep Learning）则是神经网络在多层结构上的延伸与深化，使模型可以自动学习从低层特征到高层语义的表达。
2025-04-27 19:33:21
322
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人