<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Sea__c的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Sea__c</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Sea__c]]></copyright><item><title><![CDATA[RuntimeError: CUDA out of memory. 已解决]]></title><link>https://blog.youkuaiyun.com/Sea__c/article/details/135530282</link><guid>https://blog.youkuaiyun.com/Sea__c/article/details/135530282</guid><author>Sea__c</author><pubDate>Thu, 11 Jan 2024 15:20:20 +0800</pubDate><description><![CDATA[RuntimeError: CUDA out of memory. 已解决]]></description><category></category></item><item><title><![CDATA[SCI、SSCI、CPCI、EI？期刊介绍]]></title><link>https://blog.youkuaiyun.com/Sea__c/article/details/135411968</link><guid>https://blog.youkuaiyun.com/Sea__c/article/details/135411968</guid><author>Sea__c</author><pubDate>Fri, 05 Jan 2024 16:40:17 +0800</pubDate><description><![CDATA[（Society Science Citation Index，社会科学引文索引）SCI的姊妹篇，亦由美国科学信息研究所创建，是可以用来对不同国家和地区的社会科学论文的数量进行统计分析的大型检索工具。而JCR分区是把某一个学科的所有期刊的上一年的影响因子按降序排列，然后进行等分，分为四个区按其影响因子值从高到低排序，若一期刊的影响因子属于前1/4则将其划分到分区Q1，若一期刊的影响因子属于接下来的1/4区间则将其划分到分区Q2，Q3和Q4的含义类似，Q1、Q2、Q3和Q4又被称为一区、二区、三区和四区。]]></description><category></category></item><item><title><![CDATA[Alexnet介绍]]></title><link>https://blog.youkuaiyun.com/Sea__c/article/details/133982750</link><guid>https://blog.youkuaiyun.com/Sea__c/article/details/133982750</guid><author>Sea__c</author><pubDate>Mon, 23 Oct 2023 22:32:50 +0800</pubDate><description><![CDATA[AlexNet是一种深度卷积神经网络，由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton在2012年提出。它被广泛应用于计算机视觉领域的图像分类任务,  它是第一个在ImageNet大规模图像识别挑战赛上取得显著成功的深度学习模型。]]></description><category></category></item><item><title><![CDATA[R-CNN(目标检测算法)介绍]]></title><link>https://blog.youkuaiyun.com/Sea__c/article/details/133975605</link><guid>https://blog.youkuaiyun.com/Sea__c/article/details/133975605</guid><author>Sea__c</author><pubDate>Sun, 22 Oct 2023 22:42:30 +0800</pubDate><description><![CDATA[因为一个框可以用四个值来表示（x,y,w,h）分别是框的中心点横坐标，中心点纵坐标，宽，高。由于物体标签训练数据少，如果要直接采用随机初始化CNN参数的方法,目前的训练数据量是不够的. 基于此，采用有监督的预训练，使用一个大的数据集（ImageNet )来训练AlexNet，得到一个1000分类的预训练（Pre-trained）模型。目标检测不仅需要确定目标的类别，还要找到目标在图像中的位置.由于各类目标不同的外观，颜色，大小以及在成像时光照，遮挡等具有挑战性的问题，目标检测一直处于不断的优化和研究中.]]></description><category></category></item></channel></rss>