我の博客

比如说，输出y4可以是x4经过一次卷积，也可以是x3经过2次卷积，还可以是x2经过三次卷积。如下图，黄色部分表示高频特征图，蓝色部分表示低频特征图。作者还提到，不仅在普通的卷积中可以改造成八度卷积的方法，对于分组和可分离卷积同样也是适用的。而且八度卷积是一个可插拔的整体操作，基本上只需要在特定位置上改成相应的八度卷积即可，卷积参数基本上保持不变，只是增加了一个低频占比的参数，以及在输入输出的特征图上分成了高频和低频部分。针对冗余问题，作者降低低频特征图的分辨率，即降低低频特征图的空间维度。

目标检测（object detection）的目的就是找出图像中所有感兴趣的目标，确定他们的类别和位置。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等许多因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。在Base Layer的基础上，作者将VGG16中的FC6,FC7改成了卷积层Conv6,Conv7，并且同时添加了Conv8,Conv9,Conv10,Conv11这几个特征层用于目标检测。：在多个尺度上进行目标检测以提高精度。：reshape后 大小为。

pix2pix然后放入同一个文件夹即可

1. 迁移学习1.1 Motivation能在一个任务上学习一个模型，然后用其来解决相关的别的任务，这样我们在一个地方花的时间，学习的一些知识，研究的一些看法可以在可以在另外一个地方被使用到；在深度学习中我们会训练很多深层的神经网络， 训练这些神经网络需要大量（带标签）数据，同时训练的代价非常高。就是说，我们很难对每一个任务都去制作一个巨大的数据集去训练。如果我们在一个任务上训练好的模型，能在其他地方使用，效果最好。1.2 Approaches训练好一个模型，然后把它做成一个特征提取的

残差超分辨率网络

ESPCN：加入亚像素卷积层的神经网络

FSRCNN——SRCNN的改进版

SRCNN：一种用于单图像超分辨率的深度学习方法

0 引言随着深度学习领域中各类算法的迅速发展，卷积神经网络（CNN）被广泛应用在了分类任务上，输出的结果是整个图像的类标签。在生物医学领域，医生需要对病人的病灶区域进行病理分析，这时需要一种更先进的网络模型，即能通过少量的图片训练集，就能实现对像素点类别的预测，并且可以对像素点进行着色绘图，形成更复杂、严谨的判断。于是U-Net网络被设计了出来。1 U-Net概念及原理U-Net网络结构最早由Ronneberger等人于2015年提出。该图像的核心思想是引入了跳跃连接，使得图像分割的精度大大提升。U

深度学习的思想被提出后, 卷积神经网络在计算机视觉等领域取得了快速的应用, 有很多经典、有意思的网络框架也应然而生.1. LeNet-5LeNet-5卷积网络是由LeCun在1998年发表的《Gradient-Based Learning Applied to Document. Recognition》中提出的网络框架. 这是最早的一类卷积神经网络, 其在数字识别领域的应用方面取得了巨大的成功 (手写字体识别).在LeNet-5中, 输入为 32×3232 \times 3232×32 的灰度图像

虽说闵老板不支持“调包侠”的行为，但y1s1，tensorflow作为工具使用来说，还是挺不错的。本文就基于tensorflow简单实现了一个神经网络的训练。tensorflow基础教学同时在油管上也看了莫烦老师的视频，按着自己想法写了个不知道啥的神经网络，如下：import tensorflow.compat.v1 as tfimport numpy as nptf.disable_v2_behavior()def add_layer(inputs, in_size, out_s

深度学习之神经网络（一）在前面文章中，我们已经系统了解了神经网络的部分概念，以及如何去搭建一个简单的神经网络模型。这篇文章我将主要讲解损失函数、反向传播等神经网络知识。1. 损失函数之前我们已经提到，损失函数就是用来计算我们的结果与真实值之间的误差，从而指导进一步的训练向正确的方向进行。损失函数可以分为两大类：回归、分类。1.1 回归损失1.1.1 MAE（Mean Absolute Error）MAE为平均绝对误差，简单说就是计算输出值与真实值之间的误差绝对值大小的平均值。MA

其中与大佬交流后，项目需要神经网络技术支撑。但恕本人才疏学浅，之前对这方面了解甚少，本贴就作为我的学习笔记。1.神经网络神经网络是深度学习的重要算法，在图像（如图像的分类、检测）和自然语言处理（如文本分类、聊天）有很多应用。人工神经网络（Artificial Neural Network)，也简称为神经网络，是一种模仿生物神经网络（大脑）结构和功能的计算模型。经典的神经网络结构包含三个层次，即输入层、隐藏层、输出层。其中，每层的圆圈代表一个“神经元”，“神经元”之间的连线对应不同..