2D CNN

最新推荐文章于 2025-05-22 09:46:03 发布
最新推荐文章于 2025-05-22 09:46:03 发布
阅读量5.4k 收藏 9
点赞数
CC 4.0 BY-SA版权
分类专栏： 文献
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。
本文链接：https://blog.youkuaiyun.com/qq_30006593/article/details/78075700
本文详细介绍了2D卷积神经网络的不同结构，包括基本卷积、ResNet10的残差学习、Inception系列的演变，如V1-V4的特点，并探讨了BN层的作用以及Xception模型中深度可分离卷积的概念。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1.        二维卷积模型

1.1.        Basic Convolution


具体到计算中使用cublas的gemm方法。

设输入为nclhw，卷积核为c”cl’h’w’，输出为c”l”h”w”，步长s，补偿p。

输出与输入的关系：L”=(l+2p-l’)/s+1

输入与输出相等时：p=[s(l-1)+l’-l]/2

矩阵相乘：c”*cl’h’w’ 与 nl”h”w”*cl’h’w’ 相乘

1.2.        Resnet10


残差结构有利于学习Identify map，bottleneck在中间降维有利于减少参数量。

例：256*3*3*256 à 256*1*1*64 + 64*3*3*64 + 64*1*1*256 = 896*64

1.3.        Inception

1.3.1.       V111


最低0.47元/天 解锁文章

200万优质内容无限畅学
一维卷积（1D-CNN）、二维卷积（2D-CNN）、三维卷积（3D-CNN）
程序员，他们想的是什么?他们想的永远都是技术，他们崇尚的也永远都是技术。
11-07 9496
比如：对3幅连续帧用三维卷积核进行卷积，可以理解为用3个不同的二维卷积核（二维卷积神经网络中使用的卷积核）卷积3张图，并将卷积结果相加（通过这种处理，网络就提取了时间之间的某种相关性）；上图的三维卷积是对连续的三帧图像进行卷积操作（堆叠多个连续帧组成一个立方体，在立方体中利用三维卷积核进行卷积，这样得到的每个特征map都与上一层中3个邻近的连续帧相连）；3（3为时间维度），即每次操作3帧图像，采用了2种不同的3D卷积核，增加了maps数量；2D卷积：卷积核在输入图像的二维空间进行滑窗操作。
利用2D CNN实现人体行为识别
m0_51178033的博客
03-21 2971
UCI HAR、2D CNN
深度学习基石：卷积神经网络（CNN）详解
最新发布
Gupao123的博客
05-22 1150
卷积神经网络（CNN）是一种专为处理网格状数据（如图像、视频、音频和文本）设计的深度学习模型。其核心在于通过卷积层提取局部特征，利用池化层降低数据维度，并通过全连接层进行分类或回归。CNN通过局部连接和参数共享，显著减少了模型参数，同时具备平移不变性，使其在图像分类、目标检测等计算机视觉任务中表现卓越。典型的CNN架构包括卷积层、激活函数、池化层和全连接层的交替堆叠。通过Keras构建的简单CNN模型在MNIST手写数字数据集上展示了其强大的分类能力。
2D CNN网络
qq_30006593的博客
09-24 2360
模型inceptionv1-v4Inception增加1×1层 5*5->2*3*3, 1*n*n*1, 并行pool，全链接层替换为均值pooling global average pooling 全面
2D-CNN-and-3D-CNN_MRI-Classification:使用5折交叉验证的MRI多重分类的2D CNN和3D CNN
04-13
2D-CNN和3D-CNN_MRI分类 使用5折交叉验证对MRI进行多分类的2D CNN和3D CNN模型。 所有图像均为NIfTI 用于早期融合的3D CNN架构 二维融合CNN的准确性/损失，平均为5倍 （a）2D，（b）3D融合CNN的混淆矩阵
基于二维卷积网络（2DCNN）多特征输入的风速预测项目实战（pytorch）（多特征）
weixin_44829487的博客
05-11 2588
本项目实现了基于二维卷积网络的多特征输入的的风速预测（使用了数据集中的8个特征作为输入），其效果明显比本人之前文章所做的一维多特征效果好。
1维CNN和2维CNN
weixin_44943389的博客
10-18 2030
主要应用领域不同：1D CNN适用于序列数据，2D CNN适用于图像数据。输入形状不同：1D CNN接受三维数据，2D CNN接受四维数据。1D CNN在时间维度上滑动卷积核，2D CNN在图像的宽度和高度上滑动卷积核。具体选择使用哪一种取决于你的数据类型和任务需求。例如，如果你处理的是文本数据，1D CNN可能更适合；如果你处理的是图像数据，2D CNN更合适。
matlab_1D CNN和2D CNN网络的仿真实现，包含完整的子函数分解
06-24
在本文中，我们将深入探讨如何在MATLAB中实现1D卷积神经网络（1D CNN）和2D卷积神经网络（2D CNN）的仿真实例。MATLAB作为一个强大的数学计算软件，提供了丰富的工具箱，包括深度学习工具箱，使得用户能够方便地构建...
3D 卷积神经网络：将任意 2D CNN 扩展为 3D CNN，扩展了 Mathworks 大部分官方预训练权重模型的通用性！-matlab开发
05-31
将任何 2D CNN 扩展到 3D CNN，以用于动作识别等研究。 它为 Mathworks 的大多数官方预训练权重模型扩展了多功能性！ （ https://ww2.mathworks.cn/matlabcentral/fileexchange/?q=profileid:8743315 ）
手把手教你用一个简单的2DCNN完成MNIST数字识别任务！
cl15926282674的博客
05-24 1419
卷积神经网络（CNN）是当前用于图像分类任务的最先进的体系结构。无论是面部识别、自动驾驶汽车还是物体检测，CNN都被广泛使用。在这篇文章中，我们设计了一个简单的二维卷积神经网络（CNN）模型，该模型使用具有张量流后端的ke...
2D-CNN-Forward-Propagation:在Vitis HLS中使用C ++实现2D卷积神经网络
04-13
2D-CNN向前传播 在Vitis HLS中使用C ++实现2D卷积神经网络 CNN-使用-HLS 目录结构： 该软件包包含以下目录： modules /-用于开发和测试用于CNN实施的单个HLS功能的目录 neuronetwork_stream /-包含C ++源代码和测试平台的目录 py /-包含用于训练神经网络的python代码的目录 使用的软件： 操作系统：Windows Vivado HLS 2020.2-仿真结果与综合 Python库 numpy-版本1.18.0 tensorflow-版本2.1.0 sklearn-版本0.24.1 scipy-版本1.6.2
2021- （让2D CNN具有短期编码的能力）用于实时暴力识别的高效时空建模方法
qq_41956697的博客
07-29 955
IEEE Access的一篇文章，其模型在RWF-2000数据集获得了92%的准确率，作者提出了轻量级的空间注意模块和时间注意模块，还有一个Frame-grouping方法，可以与传统的二维卷积神经网络（2D CNNs）相结合，该方法是本文的亮点，作者通过消融实验证明了Frame-grouping方法获得的提升最大，仅使用Frame-grouping都可以在RWF-2000数据集获得88%的准确率，而且Frame-grouping还降低了计算量，更有利于部署在硬件端。下图为整个模型的流程图： 空间注意力M
基于卷积神经网络的高光谱分类（1D、2D、3D-CNN）
热门推荐
qq_45047246的博客
01-01 1万+
基于卷积神经网络的高光谱分类（1D、2D、3D-CNN） 含代码
CNN中2d卷积算子的分析与实验
智慧的旋风的博客
03-15 1461
CNN中2d卷积算子的分析与实验 为了和之前的GNN中图卷积算子的实验相对应，本次实验主要对CNN中的2d卷积进行了分析。 在CNN中，2d卷积作为一种基本的算子，广泛应用于很多模型当中，例如LeNet、AlexNet、GoogleNet、ResNet。和GNN不同，各种不同CNN模型的卷积操作都是一致的，即（在pytorch中）都是用函数torch.nn.Conv2d为基础来构建整个模型（只不过卷积的参数略有区别），具体模型结构可以。因此，使用何种模型进行实验反而不那么重要了。 经典的模型结构可以参考：h
【适合小白】基于2DCNN的多特征输入风速多步长多输出风速预测项目实战（pytorch）（多维特征）（前50天预测后5天）【有数据集和代码，可运行】
weixin_44829487的博客
12-15 1311
本项目是基于PyTorch深度学习框架实现一个二维卷积网络来进行风速预测的项目，网络的输入是风速的八个特征，用前50天的8个特征数据进行预测后5天的风速，适用于多特征输入多步长输出（多输出）的预测问题。【输入是（batch_size, 1, 50, 8）,输出是（batch_size, 5）】【本项目的代码文件分模块整理，包含模型构建、数据划分、训练过程等模块都清晰分明】config中定义了项目的基本参数，可以在里面修改训练参数。
1DCNN 2DCNN LeNet5，VGGNet16使用tensorflow2.X实现
qq_41122834的博客
06-18 968
1DCNN是1维卷积 2DCNN是两层卷积，+池化层 leNet5是两段卷积层+池化层，最后加三层全连接层 VGGNet16总共分为八段： from tensorflow.keras.models import Sequential from tensorflow.keras import layers from tensorflow import keras def LeNet_CNNmodel(): model = keras.models.Sequential([ laye
CNN相关公式
qq_39951635的博客
03-05 419
建议可以先看一下这个问题如何通俗易懂地解释卷积？，会了解的更透彻~（我甚至觉得百度百科都值得探索） 回归正文~记录贴（侵删，感恩） 卷积的物理意义： 系统某一时刻的输出是由多个输入共同作用（叠加）的结果。放在图像分析里，可以理解为原始像素点(source pixel)，所有的原始像素点叠加起来，就是原始图了。 卷积的3个核心思想： 稀疏交互（sparse interactions），即每个节点通过固定个（一般等于卷积核元素的数目，远小于前一层节点数）连接与下一层的神经元节点相连; 尽管是稀...
1D CNN+2D CNN+3D CNN
weixin_44378513的博客
01-11 6147
1D CNN+2D CNN+3D CNN 3D CNN过程详解 区别 1维卷积，核沿1个方向移动。一维CNN的输入和输出数据是二维的。主要用于时间序列数据。 2维卷积，核沿2个方向移动。二维CNN的输入输出数据是三维的。主要用于图像数据。 3维卷积，核沿三个方向移动。三维CNN的输入输出数据是4维的。主要用于3D图像数据（MRI，CT扫描）。 参考 卷积神经网络 1、padding 在卷积操作中，过滤器（核）的大小通常为奇数 3x3，5x5。好处有两点： 在特征图（二维卷积）中存在一个中心像素点。有一个中
2D CNN-LSTM
01-05
### 2D CNN-LSTM 架构原理 2D CNN-LSTM 结合了二维卷积神经网络 (CNN) 和长短期记忆网络 (LSTM)，旨在处理具有时空特性的数据集。这种架构特别适用于视频分析、动作识别等领域，在这些领域中，每一帧图像的空间结构...
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