- 博客(4)
- 收藏
- 关注
RSS订阅原创 深度学习与计算机视觉：从 RNN 到 YOLO 与 FCN 的全面解析
目标检测（Object Detection）是计算机视觉中的关键任务，旨在识别图像中所有目标的类别和位置。与图像分类不同，目标检测输出需包括：类别标签（classification）边界框位置（bounding box）语义分割（Semantic Segmentation）是一种像素级分类任务，要求模型为图像中每个像素分配一个类别标签。任务类型区别图像分类全图一个类别目标检测矩形框定物体语义分割像素级别分类（不区分实例）实例分割像素级分类 + 区分目标实例RNN。
2025-05-26 16:22:50
1600
原创 深度学习视觉应用：从数据集到评价指标与经典算法
目标：识别图像中所有感兴趣对象的位置（边界框）及其类别。主要挑战多尺度、多姿态、多视角；复杂背景干扰；类别间差异小但内部差异大；实时性与精度的权衡。目标：为图像中每一个像素分配类别标签。应用场景：自动驾驶车道线检测、医学影像分析、卫星图像识别等。本文围绕计算机视觉中的深度学习应用，从常用数据集入手，详细解析了模型评价指标、目标检测方法演进与语义分割关键架构。初学者掌握这些知识有助于构建坚实的理论基础，进阶者亦可据此扩展到更多应用场景，如多任务学习、跨模态融合、视觉大模型等。
2025-05-19 15:48:57
1475
原创 深度学习基础：卷积神经网络（CNN）与性能优化全面解析
本文总结了哈尔滨工业大学《神经网络与深度学习》课程中关于卷积神经网络（CNN）的核心内容。CNN作为计算机视觉领域的代表性模型，广泛应用于图像分类、目标检测等任务。文章首先解释了为何使用CNN，指出全连接神经网络在处理高维图像数据时存在参数过多、训练效率低等问题，而CNN通过局部连接和权值共享有效解决了这些问题。接着，文章详细解析了CNN的基础概念，包括卷积操作、Padding与Stride、多通道卷积、池化操作以及典型CNN结构。随后，文章剖析了LeNet-5、AlexNet、VGG-16和ResNet等
2025-05-12 17:15:38
1544
原创 神经网络与深度学习基础理论1：从线性模型到多层感知机
本文系统梳理了神经网络基础理论的核心模块，包括线性回归、逻辑回归、感知机、多层感知机及其训练的反向传播算法。从线性模型到非线性网络，从可解释的解析解到通用逼近能力的理论保障，再到可扩展的端到端训练机制，展示了深度学习方法从浅层到深层的发展路径。理解这些基础原理，有助于掌握神经网络模型的工作机制，也为进一步研究与实际应用打下坚实理论基础。
2025-05-05 22:23:22
644
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