Convolutional Neural Networks简述

最新推荐文章于 2025-08-19 23:08:28 发布
最新推荐文章于 2025-08-19 23:08:28 发布
阅读量144 收藏 2
点赞数
CC 4.0 BY-SA版权
文章标签： 深度学习 人工智能 python
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/weixin_45649258/article/details/125607681
本文介绍了卷积神经网络（Convolutional Neural Networks）的基本组成部分，包括卷积层、池化层及全连接层等，并讨论了ResNet和DenseNet等网络结构如何改进梯度消失问题、增强特征传递及提高特征利用率。

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

Convolutional Neural Networks

计算机通过学习并挖掘目标属性的相关特征（Features）来对目标进行识别与探究。
在这里插入图片描述
在这里插入图片描述

卷积层 Convolutional Layer
池化层 Pooling Layer
全连接层 Fully-Connected Layer

1. Convolution Layer: The Kernel

在这里插入图片描述

2. Pooling Layer

在这里插入图片描述
在这里插入图片描述

3. ResNet

在这里插入图片描述

4. DenseNet

  • 减轻了vanishing-gradient
  • 加强了feature的传递
  • 更有效地利用了feature
  • 一定程度上较少了参数数量

在这里插入图片描述

鹿衔草啊
关注
图像处理技术—— CNN卷积神经网络(Convolutional Neural Network) 的原理、基本原型、以及一些典型的应用
AI天才研究院
08-30 1357
图像处理（Image Processing）或图像计算机视觉(Computer Vision)，是指对图像进行各种分析、处理、检索、识别的技术。图像处理常用的方法有基于模板匹配的方法、特征点检测的方法、形态学操作、轮廓查找、分割等。这些方法可以从多种角度对目标进行描述和分析，提高复杂场景下的目标识别、跟踪、检测、识别能力。此外，计算机视觉还涉及目标追踪、轨迹拟合、运动推测等多个领域。由于图像处理技术的广泛应用，使得机器学习在图像领域受到越来越多的关注。
R-CNN（Regions with Convolutional Neural Networks）
weixin_73784131的博客
05-09 512
R-CNN 是 2014 年由 Ross Girshick 等人提出的一种基于深度学习的目标检测算法，它开创了将卷积神经网络应用于目标检测的先河，显著提升了目标检测的性能。在此之前，目标检测主要依赖手工特征（如 HOG）和传统机器学习方法（如 SVM），而 R-CNN 首次将 CNN 强大的特征提取能力引入到目标检测领域。R-CNN 是目标检测领域的里程碑式工作，它将深度学习引入到目标检测中，为后续算法的发展奠定了基础。
DCANet: Learning Connected Attentions for Convolutional Neural Networks
qq_52302919的博客
03-22 3273
虽然自我注意机制在许多视觉任务中显示出良好的效果，但它一次只考虑当前的特征，这种方式不能充分利用注意力机制信息。在本文中，作者提出了深度连接注意网络（DCANet），它可以在不改变内部结构的情况下增强CNN模型中的注意模块。该结构是将相邻的注意力模块连接起来，使信息在注意力模块之间流动成为可能。通过DCANet，CNN模型中的所有注意力模块都被联合训练，从而提高了注意学习的能力。
Optimizing FPGA-based Accelerator Design for Deep Convolutional Neural Networks ，2015 论文阅读笔记
weixin_44639164的博客
12-01 1113
这篇文章的贡献在于对CNN FPGA加速器的技术 (例如循环平铺和转换)优化，同时进行了定量分析计算吞吐量和片内外I/0带宽和建模通过roof-line模型搜索加速器硬件参数设计空间中最优的方案，最后通过此建模方案设计了一个加速器，获得当时最优性能密度的CNN加速器。我个人读了之后觉得其值得学习亮点如下：利用polyhedral-based 数据依赖分析方法来优化现有常用的加速器技术（Tiling、Unroll、pipeline和loop transformation）
Recurrence along Depth: Deep Convolutional Neural Networks with Recurrent Layer Aggregation
bucan804228552的博客
12-19 745
本文引入了层聚合的概念来描述如何重用来自前一层的信息以更好地提取当前层的特征。
论文阅读：ImageNet Classification with Deep Convolutional Neural Networks
pwh1209的博客
06-11 766
论文题目：ImageNet Classification with Deep Convolutional Neural Networks 作者：Alex Krizhevsky、Ilya Sutskever、Geoffrey E. Hinton 论文要点 论文简述 论文要点 网络架构 学习细节 实验结果 结果讨论 1 论文简述 本文主要使用深度学习技术，讲述了一种可实现的神经网络架构，在ImageNet LSVRC-2010比赛中将120万张高分辨率图像分为1000个类别，获得的top-1和top-5错误
Pyramidal Convolution: Rethinking Convolutional Neural Networks for Visual Recognition阅读笔记
Malidong的博客
06-30 763
arXiv 2020 Ionut Cosmin Duta, Li Liu, Fan Zhu, Ling Shao 论文地址 一、简介 本文提出了一种金字塔卷积算法（PyConv），它能够在多个滤波器尺度上处理输入信号。PyConv包含一个内核金字塔，其中每个级别都包含大小和深度不同的不同类型的滤波器，这些滤波器捕捉场景中不同级别的细节，能够改善模型的识别能力。PyConv是高效的，并不会增加计算成本和参数。此外，它还具有很强的灵活性和可扩展性。 同一场景中有大量的类别，有些类别具有很大的空间表示，有些类别具
[Paper]Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks
skysys的研究小屋
12-29 1066
Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks 基于卷积神经网络的心脏科医生级别的心律失常检测 Abstract 摘要 We develop an algorithm which exceeds the performance of board certified cardiologists in...
论文总结——AlexNet(ImageNet Classification with Deep Convolutional Neural Networks)
weixin_46266147的博客
02-27 487
初学DL，读了AlexNet的论文，做个简单的小结。防忘。 详细参看原论文：Alex Krizhevsky, Ilya Sutakever, Geoffrey E.Hinton. ImageNet Classification with Deep Convolutional Neural Networks 概述 Alex等人建立了一个8层的卷积神经网络（包括5个卷积层和3个全连接层，如下图所示，图...
卷积神经网络（convolutional neural network, CNN）
热门推荐
qq_41536160的博客
05-28 6万+
基本定义 卷积神经网络(convolutional neural network, CNN)，是一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络是受生物学上感受野（Receptive Field）的机制而提出的。卷积神经网络专门用来处理具有类似网格结构的数据的神经网络。例如，时间序列数据（可以认为是在时间轴上有规律地采样形成的一维网格） 和图像数据（可以看作是二维的像素网格）。 1.卷积层（convolutional layer） 作用：特征提取 卷积层内部包含多个卷积核，组成卷积核的每个元素都
CV：CNN（Convolutional Neural Networks，卷积神经网络）概述【(卷积层×n+池化层)×m+全连接层】【卷积层输出长宽维度：O= (I+2P-F)/S+1、通道数：K 】
u013250861的博客
12-18 2847
卷积神经网络（Convolutional Neural Networks / CNNs / ConvNets）与普通神经网络非常相似，它们都由具有可学习的权重和偏置常量(biases)的神经元组成。每个神经元都接收一些输入，并做一些点积计算，输出是每个分类的分数，全连接神经网络(DNN)里的一些计算技巧到这里依旧适用。 - CNN（convolutional neural network），主要就是通过一个个的filter，不断地提取特征，从局部的特征到总体的特征，从而进行图像识别等等功能。 - 一个卷积神
R-CNN
林学森的技术专栏
04-25 1501
以下文章摘录自： 《机器学习观止——核心原理与实践》 京东：https://item.jd.com/13166960.html 当当：http://product.dangdang.com/29218274.html (由于博客系统问题，部分公式、图片和格式有可能存在显示问题，请参阅原书了解详情) 1.1R-CNN 1.1.1R-CNN简述 近几年深度学习在图像视觉识别领域取得了长足发展，涌现出了R-CNN、Fast R-CNN、Faster R-CNN...
二值神经网络（Binary Neural Networks）最新综述
Paper weekly
03-12 8077
作者｜秦浩桐、龚睿昊、张祥国单位｜北京航空航天大学研究方向｜网络量化压缩本文介绍了来自北京航空航天大学刘祥龙副教授研究团队的最新综述文章 Binary ...
卷积神经网络（CNN）学习笔记
彩云回的博客
08-15 624
CNN是一种用于图像处理的深度学习模型，其核心在于自动特征提取。它通过卷积层捕捉局部特征，池化层降维并增强鲁棒性，全连接层进行最终决策。CNN的优势包括权值共享减少参数量、局部连接模拟视觉机制，以及层级特征学习能力。经典模型如LeNet、AlexNet、ResNet等不断优化网络结构。虽然面临过拟合、计算量大等挑战，但通过数据增强、迁移学习等方法可有效解决。CNN广泛应用于图像分类、目标检测、医学影像分析等领域，展现出强大的特征学习和模式识别能力。
WITRAN:基于改进的RNN时间序列预测模型
hasakie的博客
08-15 1025
本文提出WITRAN模型，用于高效解决长期时间序列预测中的多尺度语义捕捉难题。针对现有RNN、CNN和Transformer类方法在全局/局部相关性与周期模式捕捉上的不足，创新性地结合水波信息传输框架（WIT）和循环加速网络（RAN）。WIT通过2D重组和双向门控传播分别捕获长短期模式，RAN采用并行切片计算将复杂度降至O(√L)。在能源、交通等领域实验中，模型在长期/超长期预测任务上MSE平均提升5.8%-14.3%，效率提升3倍以上，并展现出强鲁棒性。消融实验验证了双向门控和状态融合机制的有效性，未来将
神经网络训练过程详解
futurn_hero的博客
08-19 308
神经网络训练过程通过迭代优化逐步学习数据规律。初始阶段（Epoch 0）随机初始化参数，预测结果波动大。早期训练（Epoch 1-50）快速识别基本模式，损失值从35.42骤降至2.65。中期（Epoch 50-200）微调参数，预测线接近真实关系。后期（Epoch 200-500）稳定收敛，损失值维持在1.97。整个过程包含前向传播计算预测值、损失函数评估误差、反向传播计算梯度、优化器更新参数等关键步骤，最终使网络学会数据背后的真实线性关系y=2x+1。
深度学习图解：神经网络如何学习？
GUPAOAI的博客
08-19 376
文章摘要：本文详细介绍了使用神经网络预测冰淇淋销售的实现过程。首先阐述了如何确定网络架构（1个隐藏层，2个神经元），并重点讲解了通过梯度下降法优化模型参数（权重和偏差）的方法。文章比较了暴力破解法、梯度下降法和随机梯度下降法的优缺点，指出梯度下降能有效寻找最优参数值，但随着数据量增大可能出现计算效率问题。最后简要提及了学习率设置的重要性及其他优化算法，为神经网络训练提供了系统性的方法指导。
机器学习深度学习 所需数据的清洗实战案例 （结构清晰、万字解析、完整代码）包括机器学习方法预测缺失值的实践
2302_78022640的博客
08-19 782
加载你自己写的缺失值处理工具模块。核心思想：所有负责“基于训练集拟合并填充训练集”；与之配套的负责“用训练阶段学到的统计量/模型去填充测试集”。这样可以避免把测试集信息泄露到训练阶段。train_fill：基于训练集“学规则 + 填训练集”。test_fill：沿用训练集规则，填充测试集。简单剔除：CCA（删除有缺失的行）。统计填充：均值 / 中位数 / 众数。机器学习预测填充：线性回归（线性假设） / 随机森林（非线性、鲁棒）。这样设计的好处：不同方法可以随时替换，实验对比。
RNN（循环神经网络）和Transformer是处理自然语言处理（NLP）任务区别
最新发布
ZJQ的博客
08-19 358
RNN适合处理短序列、对实时性要求高（如语音识别）的场景，但受限于串行结构和长距离依赖问题； Transformer凭借并行计算和自注意力机制，在长序列、复杂语义关联的任务（如机器翻译、文本摘要、大模型预训练）中表现远超RNN，是当前NLP领域的主流架构（如BERT、GPT、LLaMA等均基于Transformer）。
简述R-CNN，fast R-CNN，Faster R-CNN的区别
11-02
R-CNN (Region-based Convolutional Neural Networks) 是一种经典的目标检测算法，它首先通过选择图像中的感兴趣区域（Region of Interest, RoI），然后对每个RoI进行卷积神经网络(CNN)特征提取，并使用支持向量机...
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