第九天：经典的卷积神经网络

最新推荐文章于 2025-12-29 12:21:17 发布
原创 最新推荐文章于 2025-12-29 12:21:17 发布 · 886 阅读 · 1 ·
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：

#cnn #计算机视觉 #深度学习

本文介绍了卷积神经网络的基本结构及应用，包括图像分割、目标检测等计算机视觉任务，并概述了AlexNet、VGG、GoogLeNet和ResNet等经典模型的特点。

**

第九天：经典的卷积神经网络

**
卷积神经网路的一般结构：
1.卷积层+激活曾和池化层的组合多次出现 提取特征
2.多个全连接或者特殊的CNN结构作为输出层 作分类器或检测器或分割器
计算机视觉主要任务：图像分割，目标检测，图像语义分割，图像实例分割
CIFAR-10数据集
imagenet数据集
经典CNN
在这里插入图片描述
在这里插入图片描述
AlexNet:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

VGG

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
Googlenet：
在这里插入图片描述
1*1的卷积核主要用于改变通道数，当从卷积层到第一个全连接层的时候数据量是最大的，featuremap是个立方体，
ResNet：
在这里插入图片描述
在这里插入图片描述

深度学习的颠覆性发展：从卷积神经网络到Transformer
AI天才研究院
12-30 1986
本文详细讲解了从卷积神经网络到Transformer的深度学习发展趋势，介绍了Transformer的背景、核心算法原理以及具体代码实例和解释。同时，本文还对Transformer的未来发展趋势和挑战进行了深入分析。最后，本文总结了Transformer模型的优缺点和应用场景。希望本文能对读者有所帮助。
课程设计报告：基于卷积神经网络的垃圾图像分类 完整报告代码数据
12-29 1860
课程设计报告：基于卷积神经网络的垃圾图像分类 完整报告代码数据
CNN笔记：通俗理解卷积神经网络
热门推荐
结构之法 算法之道
07-02 92万+
2012年我在北京组织过8期machine learning读书会，那时“机器学习”非常火，很多人都对其抱有巨大的热情。当我2013年再次来到北京时，有一个词似乎比“机器学习”更火，那就是“深度学习”。本博客内写过一些机器学习相关的文章，但上一篇技术文章“LDA主题模型”还是写于2014年11月份，毕竟自2015年开始创业做在线教育后，太多的杂事、琐碎事，让我一直想再写点技术性文章但每每恨时间抽不开。然由于公司在不断开机器学习、深度学习等相关的在线课程，耳濡目染中，总会顺带着学习学习。
卷积神经网络（CNN）详细介绍及其原理详解
IronmanJay
01-14 30万+
本文总结了关于卷积神经网络（CNN）的一些基础的概念，并且对于其中的细节进行了详细的原理讲解，通过此文可以十分全面的了解卷积神经网络（CNN），非常适合于作为Deep Learning的入门学习。下面就是本篇博客的全部内容！
第四课：卷积神经网络
a131529的博客
11-12 1878
深度学习入门指南——2021吴恩达学习笔记deeplearning.ai《深度学习专项课程》篇第一周 卷积神经网络第二周 深度卷积网络：实例探究第三周 目标检测第四周 特殊应用：人脸识别和神经风格转换
探索卷积操作：揭开卷积神经网络的神秘面纱
科技追踪者的专栏
05-24 1068
卷积操作是一种数学运算，最初应用于图像处理和信号处理领域。在卷积神经网络中，卷积操作用于提取输入数据（例如图像）的特征。这些特征可能是边缘、角点、纹理等。简单来说，卷积操作通过一个小的矩阵（称为卷积核或滤波器）在输入数据上滑动，并对其进行数学运算（如点积），从而生成一个新的矩阵（称为特征图）。这个过程就像是用一个放大镜去观察图片的各个部分，然后记录下每个部分的特征。卷积操作是卷积神经网络的基石，通过卷积核在输入数据上的滑动和计算，提取出重要的特征。
【深度学习入门】第5章 深度学习和卷积神经网络
面向AI从业者、技术爱好者的知识共享平台，聚焦技术解析、实战应用与前沿趋势，打造“专业性与可读性并存”的AI学习社区
05-08 18万+
本文通过小恶魔的比喻和数学分析，阐述了卷积神经网络通过卷积层、池化层结构动态检测图像模式的方式，以及利用误差反向传播法和Excel实例验证其高效识别手写数字的实现原理与效果
机器学习第一周：用卷积神经网络实现Mnist手写数字识别（付基础知识解释）
BingxxXXxx的博客
03-21 3636
MNIST 数据集是一个手写数字识别数据集，包含了 60000 张训练图像和 10000 张测试图像，每张图像都是 28x28 像素的灰度图像。在这个代码中，我们使用了 Keras 中的 Sequential 类来定义模型，并通过 model.add() 方法向其中添加各种层。Sequential 类是 Keras 中的一种模型类型，可以用来构建序列模型。序列模型是一个线性的层次结构，可以通过将神经网络层按顺序堆叠来构建。在这个代码中，我们首先添加了一个卷积层，然后是一个最大池化层，
卷积神经网络超详细介绍
呆呆的猫的博客
09-19 63万+
海量的有标记的训练数据，也就是李飞飞团队提供的大规模有标记的数据集ImageNet计算机硬件的支持，尤其是GPU的出现，为复杂的计算提供了强大的支持算法的改进，包括网络结构加深、数据增强（数据扩充）、ReLU、Dropout等AlexNet之后，深度学习便一发不可收拾，分类准确率每年都被刷榜，下图展示了模型的变化情况，随着模型的变深，Top-5的错误率也越来越低，目前已经降低到了3.5%左右，同样的ImageNet数据集，人眼的辨识错误率大概为5.1%，也就是深度学习的识别能力已经超过了人类。
卷积神经网络经典架构
m0_64820041的博客
02-26 825
这些经典卷积神经网络架构各有特点，从LeNet-5的简单结构到ResNet和DenseNet的深度优化，再到MobileNet的轻量化设计，它们在不同的应用场景中展现了CNN的强大能力。随着深度学习的发展，这些架构不断被改进和优化，为现代计算机视觉任务提供了坚实的基础。
卷积神经网络(CNN)原理详解
qq_40716944的博客
03-21 5万+
这几年深度学习快速发展，在图像识别、语音识别、物体识别等各种场景上取得了巨大的成功，例如AlphaGo击败世界围棋冠军，iPhone X内置了人脸识别解锁功能等等，很多AI产品在世界上引起了很大的轰动。在这场深度学习革命中，卷积神经网络（Convolutional Neural Networks，简称CNN）是推动这一切爆发的主力，在目前人工智能的发展中有着非常重要的地位。 【问题来了】那什么是卷积神经网络（CNN）呢？ 1、什么是神经网络？ 这里的神经网络，也指人工神经网络（Artificial..
【CS231N笔记】P11:经典卷积神经网络结构案例分析
博客标题不能为空我也没办法
11-22 2441
经典卷积神经网络结构案例分析
keras 的卷积神经网络模型_初学者的 Keras：实现卷积神经网络
weixin_39667041的博客
01-31 742
Keras是一个简单易用但功能强大的 Python 深度学习库。在这篇文章中，我们将用 Keras 构建一个简单的卷积神经网络(CNN)，并训练它来解实际问题。这篇文章适用于完全初学 Keras 的人，但假设有 CNNs 的基本背景知识。我对卷积神经网络的介绍涵盖了你在这篇文章中需要知道的一切(以及更多内容)，如果需要，请先阅读。我们现在就开始!想要代码吗？完整的源代码在末尾。问题：MN...
医学生图像分割的测试时生成增强方法文献速递-医疗影像分割与目标检测最新技术
weixin_38594676的博客
12-26 910
在涵盖九个数据集的三个不同分割任务上的广泛实验表明，TTGA不仅显著提高了分割准确性（相对于基线DSC增益0.1%-2.3%），还能提供像素级错误估计（相对于基线DSC增益1.1%-29.0%），提升了模型在复杂医学场景中的鲁棒性和可靠性。为解决这些限制，本研究引入了测试时生成增强（TTGA），一种利用领域微调生成模型在推理时生成多样化、上下文相关增强的新策略，旨在提升分割精度和不确定性估计，其核心是掩膜空文本反演技术和双重去噪路径。在增强生成阶段，利用语义和区域信息引导的空文本嵌入来生成一系列增强图像。
计算机视觉全栈宝典：从BEV感知到边缘部署（附15套实战方案）
2403_88718395的博客
12-28 753
从 1981 年的 Canny 边缘检测到 2025 年的 BEV 三维感知，计算机视觉用四十年时间实现了从 “看到像素” 到 “看懂世界” 的蜕变。它不仅是 AI 技术的核心分支，更是智能时代的 “视觉基础设施”—— 重塑工业制造的质检流程，革新医疗健康的诊断方式，推动自动驾驶的量产落地，赋能千行百业的数字化转型。
【读点论文】Few-Shot Object Detection A Comprehensive Survey元学习和迁移学习
白水空空
12-23 813
少样本目标检测（FSOD）是应对深度学习目标检测对海量标注数据依赖的新兴领域，旨在通过**少量（K-shot，K 通常为 1-30）标注样本**检测新类别目标，核心分为**元学习**（含双分支、单分支架构，依赖 episodic 训练和特征聚合）和**迁移学习**（基于简单微调，聚焦梯度流优化与知识迁移）两大类方法，关键技术包括注意力机制、度量学习、数据增强等；常用数据集为 PASCAL VOC（20 类 和 Microsoft COCO80 类，评估以平均精度（AP）为核心指标当前趋势包括技术优化（如 T
《数字图像处理》实验3-频率域处理方法
2302_80961196的博客
12-26 777
摘要：本实验基于MATLAB实现了图像频域处理技术，主要包括：1）利用fft2和ifft2完成傅里叶变换与逆变换，验证了变换的可逆性；2）对比不同图像的频谱特征，发现平滑图像低频集中而细节丰富图像高频显著；3）验证二维DFT可分解为行列一维变换；4）设计理想低通滤波器实现高斯噪声抑制。实验结果表明，频域处理能有效分析图像频率特征并进行噪声过滤，但理想低通滤波会带来边缘模糊。实验系统掌握了频域图像处理的核心流程与关键技术。
PISCO：用于改进动态MRI神经隐式k空间表示的自监督k空间正则化文献速递-医疗影像分割与目标检测最新技术
weixin_38594676的博客
12-25 662
2025.12.25这篇文章发表于《Medical Image Analysis》期刊（2026 年第 109 卷），由慕尼黑工业大学、智利天主教大学等机构学者联合撰写，聚焦动态磁共振成像（MRI）的快速重建问题，提出一种基于自监督 k 空间正则化的神经隐式表示方法 PISCO。Title题目01PISCO: Self-supervised k-space regularization for improved neural implicit k-space representations of dynam
目标跟踪：在动态视频中“锁定”你
最新发布
maqh_csdn的博客
12-29 668
目标跟踪不是每一帧独立的“判断题”，而是跨越时间的“连续推理” 。它通过运动预测与外观记忆对抗遮挡与形变，在混乱的动态世界中实现目标的“身份锁定”，完成从静态识别到时序关联的认知进化。
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