Day5---卷积神经网络

原创 已于 2024-12-07 20:34:11 修改 · 881 阅读 · 9 ·
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：

#计算机视觉 #人工智能

于 2024-11-23 20:53:41 首次发布

🌞欢迎来到人工智能的世界 
🌈博客主页：卿云阁

💌欢迎关注🎉点赞👍收藏⭐️留言📝

🌟本文由卿云阁原创！

🌠本阶段属于练气阶段，希望各位仙友顺利完成突破

📆首发时间：🌹2024年11月23日🌹

🙏作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！

目录

计算机视觉

定义

视觉检测任务

图像的形成

数字图像

滤波器

边缘检测

目标检测

语义分割

卷积神经网络

课后习题

计算机视觉

定义

                              图像的形成叫做前向模型，计算机视觉就是这个模型的逆

视觉检测任务

光学字符识别：识别字符

语义分割：给每个像素打上标签

物体分类：目标物体的分类识别

物体检测：目标物体的识别与定位

光流估计：估计图像中物体的运动

运动捕捉：捕捉行为

摄像旅行：根据图像，重建场景

三维场景重建：重建场景的三维模型

自动驾驶

最低0.47元/天 解锁文章
深度学习------tensorflow卷积神经网络:cifar数据集
m0_47405013的博客
02-09 1456
import pickle import random import tensorflow as tf import numpy as np import matplotlib.pyplot as plt fo=open(r'E:\ana\envs\tf14\day10\cifar-100-python\train','rb') dict=pickle.load(fo,encoding='bytes') # print(dict) fo.close() imgarr=dict[b'data'].resha
卷积核的尺寸、数量、通道数
weixin_46466198的博客
05-06 7226
torch.squeeze() 这个函数主要对数据的维度进行压缩，去掉维数为1的的维度，比如是一行或者一列这种，一个一行三列（1,3）的数去掉第一个维数为一的维度之后就变成（3）行。还有一种形式就是b=torch.squeeze(a，N) a就是在a中指定位置N加上一个维数为1的维度。给指定位置加上维数为一的维度，比如原本有个三行的数据（3），在0的位置加了一维就变成一行三列（1,3）。还有一种形式b=torch.squeeze(a，N)，即若a的N维为一则去掉。卷积核通道数：3 (RGB)
【机器学习-神经网络】卷积神经网络
Morse_Chen的博客
08-30 3082
本文介绍了卷积神经网络和其在图像处理任务中的应用，包括用卷积神经网络完成图像分类任务、用预训练的卷积神经网络完成色彩风格迁移。
深度卷积神经网络在目标检测中的进展
热门推荐
08-20 4万+
近些年来，深度卷积神经网络（DCNN）在图像分类和识别上取得了很显著的提高。回顾从2014到2016这两年多的时间，先后涌现出了R-CNN，Fast R-CNN, Faster R-CNN, ION, HyperNet, SDP-CRC, YOLO,G-CNN, SSD等越来越快速的监测方法。
day06-卷积神经网络
啧啧怪的博客
09-25 415
目录心得体会 心得体会 本次主要学习了卷积神经网络。卷积神经网络与普通神经网络的区别在于，卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在CNN的一个卷积层中，通常包含若干个特征平面(featureMap)，每个特征平面由一些矩形排列的的神经元组成，同一特征平面的神经元共享权值，这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值（卷积核）带来的直接好处是减少网络各
Day5-卷积神经网络LeNet5
jinghui_7的博客
08-21 183
参考博客 LeNet5简单理解 LeNet5基本实现 具体代码在GitHub上有很多。
图像分类：day1---卷积神经网络（CNN）
m0_74172507的博客
09-16 447
​ 卷积神经网络（CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。
从0开始学习计算机视觉--Day08--卷积神经网络
Chef_Chen的博客
07-07 499
这里的改变的地方是对于同样的WX的函数形式，这里是把5×5×3的权重矩阵（也叫卷积核）向量化了，从而做的是向量点积运算（可以看到权重矩阵的写法与图片的数据量写法类似，这是为了更好地理解为什么选择这个数量，可以把输入和权重矩阵看成是放缩的一个过程，权重矩阵由于空间结构类似，相当于是保留了图片原有的一部分性质，在数学角度上是因为向量的点积与两个向量的夹角有关，夹角越小，向量越相似，这也与卷积层的初衷相符，是为了尽可能地保留输入的信息不缺失）。越往后排的衍射值，对应的是更高级的特征。
Day04-经典卷积神经网络解读
qq_42582489的博客
04-07 1767
Day04-经典卷积神经网络解读 文章目录Day04-经典卷积神经网络解读作业说明示例代码一、环境配置二、数据准备三、模型配置四、模型训练五、模型校验六、模型预测完成作业 作业说明 今天的实战项目是基于经典卷积神经网络 VGG的“口罩分类”。 口罩识别，是指可以有效检测在密集人流区域中携带和未携戴口罩的所有人脸，同时判断该者是否佩戴口罩。通常由两个功能单元组成，可以分别完成口罩人脸的检测和口罩人脸...
Day03-卷积神经网络原理与使用
qq_42582489的博客
04-04 486
Day03-卷积神经网络原理与使用 文章目录Day03-卷积神经网络原理与使用作业说明示例代码完成作业 作业说明 今天的实战项目是基于卷积神经网络 LeNet的“车牌识别”。 作业要求： 1、根据课上所学内容，构建 LeNet模型并跑通。在此基础上可尝试构造其他网络。 2、思考并动手进行调参、优化，提高测试集准确率。 课件和数据集的链接请去绪论部分寻找 正式学习前的绪论 day03文件夹中包含...
DL基于Pytorch Day5 卷积神经网络进阶
01-06
1.深度卷积神经网络（AlexNet） LeNet: 在大的真实数据集上的表现并不尽如⼈意。 1.神经网络计算复杂。 2.还没有⼤量深⼊研究参数初始化和⾮凸优化算法等诸多领域。 机器学习的特征提取:手工定义的特征提取函数 神经...
DL基于Pytorch Day5 卷积神经网络基础
01-20
在深度学习领域，卷积神经网络（Convolutional Neural Network, CNN）是处理图像数据的主要工具，尤其是在计算机视觉任务中。PyTorch 是一个广泛使用的深度学习框架，它提供了丰富的功能来构建和训练CNN模型。在...
【计算机视觉（17）】语义理解-训练神经网络2_优化器_正则化_超参数
hiliang521的博客
12-18 887
【计算机视觉（17）】语义理解-训练神经网络2_优化器_正则化_超参数
【深度学习】目标检测
PANSS__的博客
12-22 687
将。
目标检测与跟踪 （6）- ROS & YOLOv8机器人视觉检测与应用开发
Techblog of HaoWANG
12-22 33
本文介绍了一个将YOLOv8目标检测算法集成到ROS框架中的功能包。该项目基于PyTorch-YOLOv8实现，为ROS机器人提供标准化的目标检测接口。主要技术包括：1) YOLOv8的端到端检测架构，采用改进的CSPDarknet骨干网络和PANet特征融合；2) ROS节点通信机制，通过发布-订阅模式实现图像传输和检测结果发布；3) 自定义消息类型定义检测框信息。系统流程为：接收ROS图像消息→格式转换→YOLOv8推理→结果后处理→发布检测结果和可视化图像。该方案支持灵活配置模型权重、置信度阈值等参数
【计算机视觉】YOLO11-DGCST：轴承表面划痕检测新方案
Piar1231sdafa的博客
12-19 643
本文介绍了基于YOLO11架构优化的YOLO11-DGCST模型，专为轴承表面划痕检测设计。该模型通过引入DGCST模块增强小目标检测能力，改进C3k2模块提升特征提取效率，并采用C2PSA注意力机制优化空间定位。检测头部分采用轻量级DWConv结构，在保持精度的同时显著提升推理速度。相比YOLOv8，YOLO11在模型结构和参数量上进行了优化，更适合工业检测场景。实验表明，该方案在轴承划痕检测任务中实现了精度与效率的平衡，特别适合实时工业检测应用。
红枣目标检测Cascade R-CNN改进版_FPN结构优化详解
Piar1231sdafa的博客
12-17 1019
本文针对红枣目标检测中的挑战，提出了一种改进的Cascade R-CNN算法，重点优化了特征金字塔网络(FPN)结构。通过引入自适应多尺度特征融合模块和通道注意力机制，有效提升了小目标检测性能。实验表明，改进后的算法在自建红枣数据集上mAP达到0.852，较原始模型提升15.4%，召回率提升至84.3%。算法在嵌入式设备上实现15FPS的实时检测，为农业智能化提供了有效技术支持。未来可进一步探索轻量化模型和多模态信息融合等方向。
【计算机视觉】05_不变性
最新发布
Dasi_C_upup的博客
12-22 611
本文探讨了特征检测在几何变换（如尺度变化）和光学变换下的稳定性问题，重点介绍了具有尺度不变性的Blob检测方法。首先区分了不变性与等变性概念：特征需对光学变换（光照）保持属性不变，对几何变换（移动、旋转）保持位置同步变化。分析了Harris检测器在平移和旋转下的等变性，以及尺度变化下的局限性。为解决尺度问题，提出了基于高斯拉普拉斯(LoG)的Blob检测方法，LoG算子通过“墨西哥草帽”形状匹配亮斑点特征。进一步引入尺度归一化（乘以σ²）来消除尺度对响应幅值的影响，确保不同尺度特征的公平比较。最后指出特征尺
自动驾驶环境中的车辆目标检测-Mask-RCNN模型应用与参数配置
wfeqhfxz2588782的博客
12-22 641
自动驾驶车辆检测：Mask-RCNN模型应用与评估 本文介绍了Mask-RCNN在自动驾驶车辆检测中的应用，重点分析了模型评估指标和架构设计。评估指标部分详细阐述了精确率、召回率、F1分数等9个关键指标，强调了它们在自动驾驶场景中的重要性。模型架构章节解析了Mask-RCNN的骨干网络、区域提议网络和检测头三大组件的工作原理。文章还简要提及了数据集准备流程，包括KITTI、BDD100K等常用数据集的选择和标注要求。这些内容为开发高性能自动驾驶感知系统提供了理论基础和实践指导。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

卿云阁

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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