卷积神经网络（CNN）家族

最新推荐文章于 2025-08-29 20:01:16 发布
原创 最新推荐文章于 2025-08-29 20:01:16 发布 · 677 阅读 · 3 ·
CC 4.0 BY-SA版权
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。
文章标签：

#神经网络 #机器学习 #人工智能 #深度学习

本文深入探讨了卷积神经网络（CNN）在机器学习和人工智能领域的应用，从其核心的卷积运算出发，阐述了CNN的发展历程，包括经典网络结构如LeNet、AlexNet等。同时，文章介绍了用于图像分类和目标检测的模型，如RCNN、Faster R-CNN，并讨论了损失函数和梯度下降在优化过程中的作用。
最低0.47元/天 解锁文章
深入理解卷积神经网络（CNN）与循环神经网络（RNN）
qq_57128262的博客
12-05 2139
卷积神经网络和循环神经网络在神经网络领域都有着不可替代的地位。CNN 擅长处理具有网格结构的数据，通过局部感知和权值共享高效地提取特征，在计算机视觉等领域取得了卓越的成果；RNN 则专注于序列数据的处理，其循环结构赋予了它记忆和处理上下文信息的能力，在自然语言处理和时间序列预测等方面发挥着重要作用。随着深度学习技术的不断发展，这两种神经网络也在不断地演进和融合，例如在一些视频分析任务中，会同时结合 CNN 对视频帧的特征提取能力和 RNN 对视频序列的处理能力，以实现更精准的分析和理解。
机器学习之卷积神经网络--CNN介绍
qq_46556714的博客
06-15 6267
卷积神经网络（Convolutional Neural Networks，CNN）是一种包 含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。 常见的CNN网络有LeNet-5、VGGNet、GoogleNet、ResNet、 DenseNet、MobileNet等。 CNN主要应用场景： 图像分类、图像分割 、 目标检测 、 自然语言处 理等领域。CNN基本结构：INPUT -> 卷积->激活 -> 池化 -> 全连接 ->OUTPUT对输入的图像数据与卷积核做卷积运算提取图像的高阶特征
神经网络结构族谱
01-09
各种类型的神经网络结构图谱，P、FF、RBF、DFF、RNN、LSTM、GRU、AE、VAE、DAE、SAE、MC、HN、BM、RBM、DBN、DCN、DN、DCIGN、GAN、LSM、ELM、ESN、DRN、KN、SVM、NTM，没找到免分数的选项，只好最低1分了。
【物体检测】R-CNN家族
zhiwei2coder的博客
03-27 425
目标检测评测指标 mAp（Mean Average Precision） true prediction: IoU>thresholdIoU>threshold IoU > threshold & ypred=yypred=y y_{pred} = y 而且，多个类似的预测，只取一个，其他认为是false。即对一张图的同一个物体，假设有5个预测的IoU > thres...
深度学习：卷积神经网络（CNN）
最新发布
2201_75607087的博客
08-29 1398
卷积就是拿图像局部窗口的数，和卷积核（Filter）做内积 —— 也就是对应元素相乘再相加。卷积核是一组固定权重的小矩阵，就像 “特征探测器”，不同的卷积核能提取不同的特征，比如检测边缘、让图像变模糊等。把卷积核的中心对准输入图像的某个像素，然后把这个像素和周围像素的数值，跟卷积核的权重分别相乘，再把结果加起来，就是输出的像素值；举个例子：输入图像某区域的像素是 [1,2;0,1]，卷积核是 [0,1;-4,2]，那输出像素值就是（1×0）+（2×1）+（0×-4）+（1×2）=4。局部连接与权值共享。
CNN家族的族谱！
weixin_44522295的博客
04-12 1282
CNN（卷积神经网络）是以卷积为核心的一大类网络，而上述介绍的LeNet、AlexNet、VGG、GoogLeNet等网络就属于CNN。大卷积核用多个小卷积核代替；单一尺寸卷积核用多尺寸卷积核代替；固定形状卷积核趋于使用可变形卷积核；使用1X1卷积核。标准卷积用depthwise卷积代替；使用分组卷积；分组卷积前使用channel shuffle；通道加权计算。使用skip connection，让模型更深；
一文了解卷积家族
MISS ZY
02-17 266
参考： https://cloud.tencent.com/developer/news/320941 http://blog.youkuaiyun.com/zouxy09/article/details/9993371/ http://www.36dsj.com/archives/24006 http://news.hexun.com/2016-08-08/185382572.html http:...
全面解析可变形卷积家族（Deformable Convolutional Networks v1+ v2）
Bruce_0712的博客
10-23 497
自动驾驶
基于卷积神经网络的恶意软件检测技术研究 基于卷积神经网络的恶意软件检测途径探索 运用卷积神经网络开展恶意软件检测的方法 借助卷积神经网络进行恶意软件检测的方式 利用卷积神经网络实施恶意软件检测的方法
08-14
针对不同的恶意软件检测场景，例如静态检测、动态行为分析、恶意软件家族分类等，研究人员可以设计不同类型的卷积神经网络结构。例如，在静态检测中，可以将恶意软件的二进制文件作为输入，通过卷积层提取代码中的...
卷积神经网络算法模型图,卷积神经网络数学建模
Supermen333的博客
08-30 840
unet模型的特点Unet是比较早的基于深度学习的分割算法了，优点是速度真的快P100上基于VGG的backbone能跑到50帧，同时不是太开放的场景下可以做到令人满意的分割效果，在对实时性要求较高的场合下是比较适用的不是所有的场合都能上MaskRCNN的Backbone大一点。（也就是说如果对一个现成的已经训练完毕的卷积神经网络模型，只保留除了最后一层之外的部分，然后输入训练图片，把网络的输出重新送入一个多类的SVM再训练，最后也能得到差不多的结果，取决于svm的参数。...
R-CNN家族梳理：从R-CNN到Mask R-CNN
Taited的博客
02-21 1233
R-CNN家族梳理：从R-CNN到Mask R-CNN 本文打算对目标检测很火的算法R-CNN这一家族进行一个梳理。
深度学习之二维目标检测R-CNN家族系列算法总结（理论篇）
qq_53527856的博客
05-04 1982
最近在学习目标检测的知识，看了二维目标检测方面two-stage的部分算法即R-CNN家族（R-CNN、Fast R-CNN、Faster R-CNN)，对算法的步骤做了自己的总结和提炼，对三者进行对比分析。
简介循环神经网络家族
limn204的专栏
09-19 241
突然更新的机器学习系列…… 循环神经网络 不管是RNN还是CNN，他们都是一种特征提取的手段，只不过CNN做的是提取空域的近邻信息，然而RNN是提取的时域上的上下文关系，我们经常在视频，文本这样具有明显的时间关系的数据来源上利用这种结构，根据任务的不同，我们可以把他垫在softmax后面做分类，或者是利用隐向量做翻译。 上面是一个简单的RNN，对于任何一个hih_ihi​，它的表达式为 hi=f...
什么是CNN？写给小白的机器学习入门贴，Facebook员工打造，47k访问量
量子位
07-19 355
白交 发自 凹非寺量子位 报道 | 公众号 QbitAI看你是人还是物，是猫还是狗。卷积神经网络（CNN）最重要的用途就是图像分类。说起来，似乎很简单。为什么不使用普通的神经网络呢？那...
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 1328
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...
经典卷积神经网络的学习（三）—— Inception Net
weixin_30819085的博客
03-13 338
Google Inception Net 首次出现在 ILSVRC 2014 的比赛中（和 VGGNet 同年），就以较大优势拔得头筹。那届比赛中的 Inception Net 一般被称为 Inception V1（version 1），其最大的优势在于控制 了参数量（也就控制了计算量）的同时，仍然能够获得非常好的分类性能 —— top-5 错误率 6.67%。 ...
常见的CNN卷积神经网络
Ji_HON的博客
10-02 637
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、HRNe..
RCNN家族的详解（RCNN，FAST RCNN， FASTER RCNN）
weixin_40586929的博客
10-21 1049
目标检测 在目标检测中，一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的，需要先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。 而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置。第一类方法是准确度高一些，但是速度慢，但是第二类算法是速
CNN是个啥？
weixin_45924225的博客
01-28 696
Pytorch学习过程中的一些个人理解。如有谬误烦请指点
cnn卷积神经网络详细介绍
03-15
### 卷积神经网络（CNN）的详细介绍 #### 原理概述 卷积神经网络（Convolutional Neural Network, CNN）是一种专门设计用于处理具有网格状拓扑结构数据的前馈神经网络。其核心思想来源于生物视觉系统的感受野机制，...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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