<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Y20030916的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Y20030916</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Y20030916]]></copyright><item><title><![CDATA[基于 UNet 和 NestedUNet 架构的图像分割任务]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/154354023</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/154354023</guid><author>Y20030916</author><pubDate>Mon, 03 Nov 2025 16:56:18 +0800</pubDate><description><![CDATA[该项目模块化程度高，便于扩展（如添加新模型、损失函数或数据集），适合作为图像分割任务的基础框架进行二次开发。项目旨在实现图像分割任务（如医学影像或通用场景分割），通过深度学习模型对输入图像进行像素级分类，输出对应类别的分割掩码，并通过量化指标（如 IoU、Dice 系数）评估模型性能。项目旨在实现图像分割任务（如医学影像或通用场景分割），通过深度学习模型对输入图像进行像素级分类，输出对应类别的分割掩码，并通过量化指标（如 IoU、Dice 系数）评估模型性能。]]></description><category></category></item><item><title><![CDATA[U-net 系列算法总结]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/154184154</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/154184154</guid><author>Y20030916</author><pubDate>Fri, 31 Oct 2025 14:24:36 +0800</pubDate><description><![CDATA[U-net 系列算法的迭代逻辑清晰，均围绕 “优化特征利用” 展开：从 U-net 的 “基础特征拼接”，到 U-net++ 的 “全面特征融合 + 深度监督 + 易剪枝”，再到 U-net+++ 的 “精细层级特征整合”，整体朝着 “更高精度、更灵活部署” 的方向发展，其中 U-net 和 U-net++ 是目前工业界（尤其是医学领域）的主流选择，兼顾性能与实用性。]]></description><category></category></item><item><title><![CDATA[图像分割重点知识总结]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/154125844</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/154125844</guid><author>Y20030916</author><pubDate>Thu, 30 Oct 2025 14:20:13 +0800</pubDate><description><![CDATA[图像分割是预测目标轮廓的技术，核心是将图像中不同像素划分到不同类别，属于细粒度的像素级分类任务，比普通图像分类更精准。]]></description><category></category></item><item><title><![CDATA[模型架构组件]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/153971205</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/153971205</guid><author>Y20030916</author><pubDate>Mon, 27 Oct 2025 15:18:57 +0800</pubDate><description><![CDATA[表格复制特性描述Focus 模块通过切片操作将 W+H 信息压缩到 C 维度，减少计算量，但不提升精度。CSP 结构在 BottleneckCSP 中引入跨阶段连接，增强梯度流动，提升训练稳定性。PAN 结构特征金字塔网络，融合多尺度特征，提升小目标检测能力。使用预定义 anchor 框，Detect 层负责预测偏移量和尺度。支持自动 anchor 排序与校验，确保 anchor 与 stride 匹配。ONNX 支持提供转换脚本，支持导出 ONNX 模型，便于部署与可视化（如 Netron）。]]></description><category></category></item><item><title><![CDATA[计算机视觉任务]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/153831895</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/153831895</guid><author>Y20030916</author><pubDate>Fri, 24 Oct 2025 15:58:02 +0800</pubDate><description><![CDATA[一个用于计算机视觉任务（尤其是目标检测）的数据加载与处理模块，主要功能是加载图像、视频、摄像头流等数据，并进行预处理和数据增强，以支持模型的训练、测试和推理。]]></description><category></category></item><item><title><![CDATA[YOLOv4 知识点总结]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/153628286</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/153628286</guid><author>Y20030916</author><pubDate>Mon, 20 Oct 2025 13:25:55 +0800</pubDate><description><![CDATA[核心定位：YOLOv4 聚焦目标检测的最优速度与精度（Optimal Speed and Accuracy of Object Detection），虽作者变更，但延续了 YOLO 系列的核心设计思路。性能表现：从对比图可见，YOLOv4 在 FPS（速度，基于 V100 显卡）和精度指标上，优于 YOLOv3、EfficientDet（部分版本）、ASFF 等模型，兼顾实时性与检测效果。]]></description><category></category></item><item><title><![CDATA[YOLOv3 核心知识点总结]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/153464558</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/153464558</guid><author>Y20030916</author><pubDate>Fri, 17 Oct 2025 11:14:41 +0800</pubDate><description><![CDATA[对比同期模型（如 SSD、R-FCN），YOLOv3 在相同精度下推理速度更快，在相同速度下精度更高，成为当时目标检测领域 “速度 - 精度平衡” 的代表性模型。每个尺度的输出均为 3D 张量，包含网格单元、目标框（坐标、置信度）与类别概率等信息，实现对全尺寸目标的覆盖。]]></description><category></category></item><item><title><![CDATA[YOLO-V1 与 YOLO-V2 ]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/153408112</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/153408112</guid><author>Y20030916</author><pubDate>Thu, 16 Oct 2025 15:29:40 +0800</pubDate><description><![CDATA[YOLO-V1 是经典的 one-stage 目标检测方法，核心是将检测问题转化为回归问题，仅用一个 CNN 网络即可完成检测，能实现视频实时检测，应用广泛。YOLO-V2 在 V1 基础上进行多项改进，实现了 “更快、更强” 的检测效果，VOC2007 数据集上的 mAP 从 63.4 提升至 78.6。]]></description><category></category></item><item><title><![CDATA[目标检测项目]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/153325900</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/153325900</guid><author>Y20030916</author><pubDate>Wed, 15 Oct 2025 14:18:49 +0800</pubDate><description><![CDATA[目标检测是识别图像中物体类别，并确定物体位置的计算机视觉任务，本质是 “类别预测 + 位置定位” 的多任务问题。]]></description><category></category></item><item><title><![CDATA[基于 CIFAR10 数据集的卷积神经网络（CNN）模型训练与集成学习]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/153318278</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/153318278</guid><author>Y20030916</author><pubDate>Wed, 15 Oct 2025 11:49:16 +0800</pubDate><description><![CDATA[基础 CNN 模型CNNNetNetLeNet，结构相近，由卷积层（Conv2d池化层（MaxPool2d、* 全连接层（Linear）* 组成，通过 ReLU 激活引入非线性，属于轻量型 CNN。VGG 模型VGG（支持 VGG16/VGG19），通过配置字典cfg定义 “卷积块 + 池化层” 的重复结构，利用方法自动生成层序列，最终接全连接层完成分类，属于深度化 CNN。]]></description><category></category></item><item><title><![CDATA[使用 PyTorch 实现 MNIST 手写数字识别]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/153197930</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/153197930</guid><author>Y20030916</author><pubDate>Mon, 13 Oct 2025 15:41:37 +0800</pubDate><description><![CDATA[整个过程完整覆盖 “数据处理 - 模型构建 - 训练评估 - 结果可视化” 的深度学习核心环节，既展示了 PyTorch 在神经网络开发中的便捷性，也通过 MNIST 实例直观呈现了 “神经网络如何学习手写数字特征并完成分类” 的过程。从损失曲线与测试准确率可验证：模型有效学习了数据模式，实现了手写数字的准确识别。四、代码示例。]]></description><category></category></item><item><title><![CDATA[示例代码总结]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/152216599</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/152216599</guid><author>Y20030916</author><pubDate>Sun, 28 Sep 2025 14:14:27 +0800</pubDate><description><![CDATA[代码：这份代码基于 PyTorch 框架，完整实现了CIFAR10 图像分类任务的深度学习流程，涵盖模块导入、模型定义、数据加载、训练循环与模型结构分析等核心环节，具体总结如下：导入、（神经网络核心）、（优化器）、（数据集与图像变换）等工具库，并设置超参数：批量大小（）、学习率（）、训练轮数（）等，为后续流程提供基础配置。定义多个 CNN 模型（如、、等），均继承，通过以下方式搭建网络：不同模型在网络深度、卷积核参数（大小、通道数）、池化方式、特征维度变换等方面存在差异，体现了多样化的 CNN 结构设计思路]]></description><category></category></item><item><title><![CDATA[PyTorch 实现 CIFAR10 图像分类知识点总结]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/152166072</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/152166072</guid><author>Y20030916</author><pubDate>Sat, 27 Sep 2025 14:18:45 +0800</pubDate><description><![CDATA[全流程，体现了 PyTorch 实现图像分类任务的典型思路与关键技术。]]></description><category></category></item><item><title><![CDATA[图像分类项目核心知识点总结]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/152080607</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/152080607</guid><author>Y20030916</author><pubDate>Thu, 25 Sep 2025 13:33:36 +0800</pubDate><description><![CDATA[图像分类的核心目标是将不同图像划分到对应类别标签，最终实现分类误差最小化。]]></description><category></category></item><item><title><![CDATA[PyTorch 数据处理工具箱与可视化工具总结]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/152037199</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/152037199</guid><author>Y20030916</author><pubDate>Wed, 24 Sep 2025 13:56:09 +0800</pubDate><description><![CDATA[PyTorch 数据处理工具箱核心目标是高效加载、预处理、批量处理数据，解决自定义数据集与标准图像数据集的处理问题，主要包含utils.data（基础数据加载）和（图像专用处理）两大模块。Dataset是抽象类，需自定义子类并强制重写 3 个方法，作用是将原始数据（如 numpy 数组、文件）封装为 PyTorch 可识别的样本格式（Tensor）。数据处理流程Dataset（定义数据）→DataLoader（批量加载），图像数据额外用transforms（预处理）+（多目录读取）。关键工具定位。]]></description><category></category></item><item><title><![CDATA[PyTorch 神经网络工具箱核心知识点总结]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/151967958</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/151967958</guid><author>Y20030916</author><pubDate>Mon, 22 Sep 2025 16:57:16 +0800</pubDate><description><![CDATA[输入数据经 “层→模型” 得到预测值，损失函数计算预测误差，优化器根据误差梯度更新模型参数，形成闭环训练。，二者功能互补但使用场景不同。]]></description><category></category></item><item><title><![CDATA[卷积神经网络（CNN）核心知识点总结]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/151865616</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/151865616</guid><author>Y20030916</author><pubDate>Fri, 19 Sep 2025 14:52:21 +0800</pubDate><description><![CDATA[架构年份核心特点关键改进LeNet1995首个实用 CNN，适配小尺寸灰度图（28×28）卷积 + 池化的组合，奠定 CNN 结构基础AlexNet2012更深更大，适配大尺寸彩色图（3×224×224），CV 范式转变ReLU 激活、Dropout、最大池化、数据增强。]]></description><category></category></item><item><title><![CDATA[感知机与多层感知机核心知识点总结]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/151831230</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/151831230</guid><author>Y20030916</author><pubDate>Thu, 18 Sep 2025 15:28:32 +0800</pubDate><description><![CDATA[由美国学者 Frank Rosenblatt 于 1957 年提出，是神经网络的基础单元，用于实现简单的二分类任务。激活函数h(x)用于将神经元输入信号的总和（如a=w1​x1​+w2​x2​+b）转换为输出信号，核心作用是引入非线性，使 MLP 能解决线性不可分问题。问题表现核心成因欠拟合训练误差高，模型未学好训练样本的一般性质模型复杂度过低（如用单层感知机解决异或问题）过拟合训练误差低，但泛化误差高，将训练样本特有噪声当作一般规律模型复杂度过高（如参数过多）、训练数据不足。]]></description><category></category></item><item><title><![CDATA[线性回归与 Softmax 回归核心知识点总结]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/151789282</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/151789282</guid><author>Y20030916</author><pubDate>Wed, 17 Sep 2025 11:47:39 +0800</pubDate><description><![CDATA[模型定位：线性回归是连续值预测的基础模型（单层神经网络），Softmax 回归是多类分类的基础模型（单层全连接神经网络）。优化核心：梯度下降（尤其是小批量随机梯度下降）是模型训练的核心算法，需合理选择学习率和批量大小两个关键超参数。损失函数匹配：回归任务常用平方损失 / L1 损失，分类任务（Softmax 回归）必用交叉熵损失。Softmax 关键作用：通过指数运算和归一化，将原始输出转换为概率分布，解决多类分类的置信度解释问题。]]></description><category></category></item><item><title><![CDATA[深度学习核心知识总结]]></title><link>https://blog.youkuaiyun.com/Y20030916/article/details/151783717</link><guid>https://blog.youkuaiyun.com/Y20030916/article/details/151783717</guid><author>Y20030916</author><pubDate>Wed, 17 Sep 2025 09:34:00 +0800</pubDate><description><![CDATA[人工智能：用人工方法在机器（计算机）上实现的智能，即让机器具备类似人类的智能。人工智能学科：研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的技术科学。由 Meta AI（Facebook）人工智能研究小组开发，基于 Lua 编写的 Torch 库的 Python 实现。特点：API 设计简洁、优雅、易懂，在学术界和工业界应用广泛，是众多课程及项目的首选深度学习框架。]]></description><category></category></item></channel></rss>