Convolutional Neural Networks笔记（一）

最新推荐文章于 2024-05-30 09:52:03 发布
原创 最新推荐文章于 2024-05-30 09:52:03 发布 · 2.2k 阅读 · 2 ·
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。

Convolutional Neural Networks笔记（一）

第一周第二节课（Edge Detection Example）
第一周第三节课（More Edge Detection）

1. Edge Detection Example

这里写图片描述

上述的滤波器是垂直边界检测器，用来检测图像中的垂直边界的信息。下面说明该样式滤波器如何检测出垂直边界信息。

这里写图片描述

在原始图像中，左侧是白色，右侧是黑色，两者中间有一条边界。对应经过卷积后，特征图中最亮的区域对应的就是原始图像中边缘所在的对应位置（即原始图像的边界在其中间位置）。那么当原始图像如何时，才会被检测出有垂直边界信息呢？ 根据滤波器的样式，当原始图像左侧较亮（像素值大）， 右侧较暗（像素值小）时，会检测出该位置具有垂直信息。

2.More Edge Detection

滤波器可以区分亮到暗的边界和暗到亮的边界
这里写图片描述
如图所示，滤波器不变的情况下，当图像明暗转换，则特征图中边缘信息的像素值正好取反。下面看看水平边缘检测滤波器的作用效果：
这里写图片描述
但是为了去检测复杂的图像，仅仅使用现有的这些滤波器是不够用的，所以CNN中将滤波器设置为参数，进行学习：
这里写图片描述

这些都是吴恩达老师在视频的中讲解，我只是纪录下来，以供以后复习。课程地址

[论文笔记]Convolutional Neural Networks for Sentence Classification
日积月累，天道酬勤
11-10 864
这是对经典的TextCNN论文的阅读笔记。
《Multi-Level Wavelet Convolutional Neural Networks》阅读笔记
69小石头的博客
05-16 6612
一、论文 《Multi-Level Wavelet Convolutional Neural Networks》 摘要：在计算机视觉中，卷积网络（CNN）通常采用合并来扩大接收域，其优点是计算复杂度低。 但是，合并可能导致信息丢失，因此不利于进一步的操作，例如特征提取和分析。 最近，已经提出了扩张滤波器来在接收场大小和效率之间进行折衷。 但是，伴随的网格化效果可能导致对具有棋盘格图案的输入图像进行稀疏采样。 为了解决这个问题，在本文中，我们提出了一种新颖的多级小波CNN（MWCNN）模型，以在接收场大小
卷积神经网络(convolutional neural networks, CNN)
热门推荐
laoliaixuexi的博客
06-21 1万+
卷积神经网络（Convolutional Neural Network，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 它包括卷积层(convolutional layer)和池化层(pooling layer)。经典的多层感知机由一系列全连接层组成，卷积神经网络中除全连接层外，还有卷积层和池化(pooling)层。 (1) 卷积层 为什...
笔记：Interpretable Convolutional Neural Networks
qq_34813925的博客
04-22 4341
作者：Quanshi Zhang, Ying Nian Wu, and Song-Chun Zhu University of California, Los Angeles 原文：arxiv.org/abs/1710.00935 摘要 本文提出了一种将传统的卷积神经网络(CNNs)修改为可解释的CNNs的方法，以阐述在高卷积层CNNs中的知识表示。在可解释的CNN中，高卷积层中的每个filter...
Interpretable Convolutional Neural Networks笔记
kaka19880812的专栏
10-20 3714
通过mask使得网络部分激活 mask是一个连续的区域，可以使用以一点为中心的L1或L2区域 最小化的目标是X（feature map）和T（template）的互信息，计算条件概率p(X|T)使用softmax转换的X和T的相似度（X和T的dot） forward过程选择template覆盖区域中x和最大的template，而且要求template的label和数据label一致
Reading Note: Interpretable Convolutional Neural Networks
joshua_1988
10-13 3023
TITLE: Interpretable Convolutional Neural Networks
Interpretable Convolutional Neural Networks via Feedforward Design
博客
02-03 1000
郭老师的一篇新论文，很有创新性。极大地提升了机器学习的运算效率。 Saab transform and bias selection 关于在机器学习神经网络，其中的映射公式a与b的选择问题： a的选择： 首先设置b=0，a的设置分为两个策略： dc，ac借用于电路理论。dc是直流电，ac是交流电缩写。我们将输入向量作如下处理，直和是一种计算方法： ...
《Convolutional Neural Network for Sentence Classification》论文阅读笔记
青柠space
04-06 2337
CNN在自然语言处理应用的开篇之作，本篇文章是作者在阅读一些blog以及论文《Convolutional Neural Network for Sentence Classification》的阅读笔记和总结。
【翻译+笔记】ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks
Kaleidoscope的博客
01-15 2015
《ECA-Net:深度卷积神经网络的有效通道注意》ECA-Net是基于SE-Net的扩展，作者认为SE块的两个FC层之间的降维是不利于通道注意的权重学习的，权重学习的过程应该直接一一对应。作者做了一系列实验来证明在attention block中保持channel数不变的重要性。
ImageNet Classification with Deep Convolutional Neural Networks--论文笔记
dezwb的博客
05-23 1063
模型架构网络架构如下图所示。它包含八个学习层——五个卷积层和三个全连接层。第一个卷积层是输入层，输入224×224×3图像，采用96个大小为11×11×3的卷积核，步幅为4像素进行卷积过滤，响应归一化和池化，并输出结果第二个卷积层将第一个卷积层的输出作为输入，并使用256个大小为5 × 5 × 48的卷积核对其进行卷积过滤第三层、第四层和第五层卷积层相互连接，没有任何中间池化层或归一化层。第三个卷积层有384个大小为3 × 3 × 256的核，这些核连接到第二个卷积层的输出(归一化，池化)。
Convolutional Neural Networks for MATLAB.pdf
05-29
卷积神经网络的MATLAB实现，英文学术专著。。
论文笔记：Interpretable Convolutional Neural Networks
xihua0823的博客
12-13 2594
前向传播 对于每一个输入图像I，CNN在Relu操作之后计算filter f 的特征图x，其中x是nxn的矩阵，xij>0。估计目标部分在特征图x的潜在位置是激活最强的神经单元。根据最强的估计位置μ，CNN分配特定的淹没以过滤掉噪声激活。由于f的对应对象部分可能出现在图像的n2个不同位置，我们为f设计了n2个不同的模板{Tμ1，Tμn2}.如图3所示，每一个模板T都是一个nxn的矩阵。当目标部位主要触发了x中的第i个单元时，它描述了特征图x激活的理想分布。我们从n2个中选择模板T作为掩膜。 图4可视化
吴恩达深度学习CNN作业:Convolutional Neural Networks: Application
meijie2018_1的博客
07-31 592
Interpretable Convolutional Neural Networks研读
丝萝愿为乔木的博客
01-07 1300
（感觉跟上一篇看的可解释cnn没什么差别，都是在高层的卷积层中的每个卷积核加一个loss，查看代码，所加的loss就logistic或者softmax，正在学习中，如果理解有误的地方，敬请谅解并欢迎指出） 摘要： 为了解释高层卷积层CNN中的知识表示，本文在传统CNN基础上提出可解释CNN。可解释CNN,能够在高层卷积层的每个卷积核代表一个特定的目标部件（比如猫头，猫脚等）.可解释CNN，使用传统的训练集训练，不作任何部件标注，能够在学习阶段给高层卷积层的卷积核自动分配每个特定部件。可以将可解释CNN应用在
论文写作准备（二）—— 《Interpretable Convolutional Neural Networks》阅读
weixin_37799689的博客
08-08 1726
摘要：提出了一种将传统卷积神经网络(CNNs)修改为可解释的方法。为了阐明神经网络高级卷积层中的知识表示。在可解释CNN中，深层卷积层中的每个滤波器代表一个特定的对象部分。我们的可解释CNNs使用与普通CNNs相同的训练数据，而不需要对对象部分或纹理进行额外的注释来进行监督。这说明在学习过程中，CNN自动给深层卷积层中的每个滤波器分配一个对象部分。我们可以将我们的方法应用于不同类型、不同结构的神经网络。在可解释的CNN中，显性的知识表示可以帮助人们理解CNN内部的逻辑，即CNN记忆了哪些模式来进行预测。实验
【每周一文】Convolutional Neural Networks And Application for NLP
fangqingan_java的专栏
11-20 1609
概述 卷积神经网络的提出主要是应用于图像识别，由于其效果比较显著逐渐扩展到语音识别和自然语言处理等领域。本文主要介绍 1. 卷积的概念 2. 卷积神经网络 3. 卷积神经网络在NLP中的应用 4. 总结 卷积 一维（1D）卷积 根据维基百科上的定义，一维卷积定义如下：f(x)∗g(x)=∫∞−∞f(τ)g(x−τ)dτ f(x)*g(x)=\int_{-
Convolutional Neural Networks & CNN Application-2
smoggyxhdz的博客
09-08 458
版权为吴恩达老师所有，参考Koala_Tree的博客，部分根据自己实践添加 使用google翻译，部分手工翻译 你可能需要的参考资料https://pan.baidu.com/s/1y_pb9HiAIBwQVKuMG_ZONw 第2部分：卷积神经网络：应用 欢迎来到课程4的第二个作业！在这个笔记本中，您将： 实现在实现TensorFlow模型时将使用的辅助函数 使用TensorFlow...
Convolutional Neural Networks
weixin_38527856的博客
11-14 412
略搞一下卷积神经网络的工作原理，ding~~ 以下内容是本人在观看Youtube上关于卷积神经网络讲解播放量最大的视频：《How Convolutional Neural Networks work》的学习笔记~ 整体：输入→CNN→输出 输入为二维的像素图片，CNN是一个函数（假设为黑箱），输出的是图片的标签 接下来就破解黑箱吧！ 图片X→CNN→X，把旋转等变形之后的X输入之后，输出...
推荐文章：解读可解释卷积神经网络（Interpretable CNN）
最新发布
gitblog_00039的博客
05-30 1013
推荐文章：解读可解释卷积神经网络（Interpretable CNN） 去发现同类优质开源项目:https://gitcode.com/ 1、项目介绍 在深度学习领域，卷积神经网络（CNN）已成为图像识别任务的中坚力量。然而，其黑盒特性一直限制了我们对决策过程的理解。Interpretable Convolutional Neural Networks 项目为打破这一困境提供了新思路。该项目提出了...
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