- 洼道路检测对于地质勘探、航天科学和自然灾害等领域的研究和应用具有重要意义。深度学习技术的快速发展为坑洼道路检测提供的新途径。本文基于Resnet（Residual Networks）网络建立了Resnet-34模型对题目数据进行处理，实现了精度较高的道路图像坑洼状态的识别，并通过实验和其他模型如Resnet-50和EfficientNet进行相关指标的比较,较好地反映出该模型在坑洼道路检测上... 洼道路检测对于地质勘探、航天科学和自然灾害等领域的研究和应用具有重要意义。深度学习技术的快速发展为坑洼道路检测提供的新途径。本文基于Resnet（Residual Networks）网络建立了Resnet-34模型对题目数据进行处理，实现了精度较高的道路图像坑洼状态的识别，并通过实验和其他模型如Resnet-50和EfficientNet进行相关指标的比较,较好地反映出该模型在坑洼道路检测上...
- 通过本专栏的阅读，后续你也可以自己魔改网络，在网络不同位置（Backbone、head、detect、loss等）进行魔改，实现创新！！！ 通过本专栏的阅读，后续你也可以自己魔改网络，在网络不同位置（Backbone、head、detect、loss等）进行魔改，实现创新！！！
- 1.算法运行效果图预览 2.算法运行软件版本MATLAB2022A 3.算法理论概述 在无线通信系统中，调制信号的识别是一项重要的任务。通过识别接收到的信号的调制方式，可以对信号进行解调和解码，从而实现正确的数据传输和通信。卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，在图像和信号处理领域取得了显著的成功。 卷积神经网络... 1.算法运行效果图预览 2.算法运行软件版本MATLAB2022A 3.算法理论概述 在无线通信系统中，调制信号的识别是一项重要的任务。通过识别接收到的信号的调制方式，可以对信号进行解调和解码，从而实现正确的数据传输和通信。卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，在图像和信号处理领域取得了显著的成功。 卷积神经网络...
- 1.算法理论概述 本文将从专业角度详细介绍基于CNN卷积神经网络的图像分割。主要包括以下几个方面：图像分割的基本原理、CNN卷积神经网络的基本结构、训练数据集的准备、网络训练和测试等。 1.1 图像分割的基本原理 图像分割是将一幅图像分割为多个具有独立语义的区域的过程。图像分割可以应用于计算机视觉、医学图像分析、遥感图像处理等领域。图像分割的基本原理是将图像像素进... 1.算法理论概述 本文将从专业角度详细介绍基于CNN卷积神经网络的图像分割。主要包括以下几个方面：图像分割的基本原理、CNN卷积神经网络的基本结构、训练数据集的准备、网络训练和测试等。 1.1 图像分割的基本原理 图像分割是将一幅图像分割为多个具有独立语义的区域的过程。图像分割可以应用于计算机视觉、医学图像分析、遥感图像处理等领域。图像分割的基本原理是将图像像素进...
- 卷积神经网络（Convolutional Neural Network，CNN）是一种在计算机视觉和模式识别领域取得巨大成功的人工神经网络模型。它模仿了人类大脑的视觉处理机制，通过学习和提取图像中的特征来进行高效准确的图像分类、目标检测和图像生成等任务。本文将为初学者介绍卷积神经网络的基本原理、结构和常见应用，帮助读者理解和入门这一重要的深度学习算法。1. 卷积神经网络的基本原理卷积神经网络... 卷积神经网络（Convolutional Neural Network，CNN）是一种在计算机视觉和模式识别领域取得巨大成功的人工神经网络模型。它模仿了人类大脑的视觉处理机制，通过学习和提取图像中的特征来进行高效准确的图像分类、目标检测和图像生成等任务。本文将为初学者介绍卷积神经网络的基本原理、结构和常见应用，帮助读者理解和入门这一重要的深度学习算法。1. 卷积神经网络的基本原理卷积神经网络...
- 深度学习是一种人工神经网络的应用，其应用范围包括自然语言处理、计算机视觉、语音识别等等。其中，卷积神经网络（Convolutional Neural Network，CNN）是一种应用广泛的图像识别模型，其用于解决计算机视觉领域中的图像分类、目标检测、图像分割等问题。本文将详细介绍卷积神经网络的原理、结构和应用。 卷积神经网络的原理卷积神经网络是一种前馈神经网络，其主要特点是具有卷积层和池化... 深度学习是一种人工神经网络的应用，其应用范围包括自然语言处理、计算机视觉、语音识别等等。其中，卷积神经网络（Convolutional Neural Network，CNN）是一种应用广泛的图像识别模型，其用于解决计算机视觉领域中的图像分类、目标检测、图像分割等问题。本文将详细介绍卷积神经网络的原理、结构和应用。 卷积神经网络的原理卷积神经网络是一种前馈神经网络，其主要特点是具有卷积层和池化...
- YOLOv5 仅在 YOLOv4 发表一个月之后就公布了，这导致很多人对 YOLOv5 的命名有所质疑，因为相比于它的前代 YOLOv4，它在理论上并没有明显的差异，虽然集成了最近的很多新的创新，但是这些集成点又和 YOLOv4 类似。我个人觉得之所以出现这种命名冲突应该是发布的时候出现了 “撞车”，毕竟 YOLOv4 珠玉在前（早一个月），YOLOv5 也只能命名为 5 了。 YOLOv5 仅在 YOLOv4 发表一个月之后就公布了，这导致很多人对 YOLOv5 的命名有所质疑，因为相比于它的前代 YOLOv4，它在理论上并没有明显的差异，虽然集成了最近的很多新的创新，但是这些集成点又和 YOLOv4 类似。我个人觉得之所以出现这种命名冲突应该是发布的时候出现了 “撞车”，毕竟 YOLOv4 珠玉在前（早一个月），YOLOv5 也只能命名为 5 了。
- 本文为学习笔记，部分内容参考网上资料和论文而写的，内容涉及 Faster RCNN 网络结构理解和代码实现原理。 本文为学习笔记，部分内容参考网上资料和论文而写的，内容涉及 Faster RCNN 网络结构理解和代码实现原理。
- 本文深度讲解了卷积计算的原理，并详细介绍了构成所有卷积网络主干的基本元素，包括卷积层本身、填充和步幅的基本细节、用于在相邻区域汇聚信息的汇聚层，最后给出卷积层和汇聚层的代码示例和CNN框架结构图。 本文深度讲解了卷积计算的原理，并详细介绍了构成所有卷积网络主干的基本元素，包括卷积层本身、填充和步幅的基本细节、用于在相邻区域汇聚信息的汇聚层，最后给出卷积层和汇聚层的代码示例和CNN框架结构图。
- 写在前面：大家好！我是【AI 菌】，一枚爱弹吉他的程序员。我热爱AI、热爱分享、热爱开源！ 这博客是我对学习的一点总结与记录。如果您也对 深度学习、机器视觉、算法、Python、C++ 感兴趣，可以关注我的动态，我们一起学习，一起进步~ 我的博客地址为：【AI 菌】的博客 我的Github项目地址是：【AI 菌】的Github 本教程会持续更新，如果对您有帮助的话... 写在前面：大家好！我是【AI 菌】，一枚爱弹吉他的程序员。我热爱AI、热爱分享、热爱开源！ 这博客是我对学习的一点总结与记录。如果您也对 深度学习、机器视觉、算法、Python、C++ 感兴趣，可以关注我的动态，我们一起学习，一起进步~ 我的博客地址为：【AI 菌】的博客 我的Github项目地址是：【AI 菌】的Github 本教程会持续更新，如果对您有帮助的话...
- 神经架构搜索（NAS）在卷积神经网络（CNN）领域掀起革新，自动化生成最优架构，改变传统设计方式。其特点包括扩展搜索空间、优化搜索策略、提升性能、模型压缩及跨领域应用。NAS发现了超越人工设计的高性能架构，如EfficientNet，并在图像分类、目标检测和分割中取得显著成果。尽管面临计算资源消耗大和可解释性差的挑战，NAS仍为CNN的发展带来重大突破，推动深度学习广泛应用。 神经架构搜索（NAS）在卷积神经网络（CNN）领域掀起革新，自动化生成最优架构，改变传统设计方式。其特点包括扩展搜索空间、优化搜索策略、提升性能、模型压缩及跨领域应用。NAS发现了超越人工设计的高性能架构，如EfficientNet，并在图像分类、目标检测和分割中取得显著成果。尽管面临计算资源消耗大和可解释性差的挑战，NAS仍为CNN的发展带来重大突破，推动深度学习广泛应用。
- 自注意力卷积神经网络融合了自注意力机制和卷积神经网络的优势，通过在特征图上动态分配注意力权重，捕捉长距离依赖关系。它不仅提升了局部特征提取能力，还能更好地理解全局结构与语义信息，在图像识别、自然语言处理等任务中表现出色。此外，该模型计算效率高、灵活性强、适应性广，并且易于扩展与其他技术结合，具有广泛的应用前景。 自注意力卷积神经网络融合了自注意力机制和卷积神经网络的优势，通过在特征图上动态分配注意力权重，捕捉长距离依赖关系。它不仅提升了局部特征提取能力，还能更好地理解全局结构与语义信息，在图像识别、自然语言处理等任务中表现出色。此外，该模型计算效率高、灵活性强、适应性广，并且易于扩展与其他技术结合，具有广泛的应用前景。
- 在人工智能发展中，处理复杂时序图像/视频数据是难题。CNN擅长提取图像空间特征（如物体形状、位置），RNN/LSTM则善于捕捉时间依赖关系，解决长序列数据的梯度问题。两者结合，先用CNN提取每帧图像特征，再通过RNN/LSTM分析时间变化，可高效处理视频动作识别、自动驾驶等任务，融合空间与时序优势，展现巨大应用潜力。 在人工智能发展中，处理复杂时序图像/视频数据是难题。CNN擅长提取图像空间特征（如物体形状、位置），RNN/LSTM则善于捕捉时间依赖关系，解决长序列数据的梯度问题。两者结合，先用CNN提取每帧图像特征，再通过RNN/LSTM分析时间变化，可高效处理视频动作识别、自动驾驶等任务，融合空间与时序优势，展现巨大应用潜力。
- 卷积神经网络（CNN）中的权重共享和局部连接是其核心特性。权重共享通过同一卷积核在不同位置使用相同权重，减少参数量并提高泛化能力；局部连接则使每个神经元仅与输入的局部区域相连，专注于提取局部特征。两者相辅相成，显著降低计算复杂度，增强对空间结构的感知，使CNN在图像识别等领域表现出色。 卷积神经网络（CNN）中的权重共享和局部连接是其核心特性。权重共享通过同一卷积核在不同位置使用相同权重，减少参数量并提高泛化能力；局部连接则使每个神经元仅与输入的局部区域相连，专注于提取局部特征。两者相辅相成，显著降低计算复杂度，增强对空间结构的感知，使CNN在图像识别等领域表现出色。
- 全连接层在卷积神经网络（CNN）中起着桥梁作用，将卷积层和池化层提取的局部特征整合为全局特征，实现分类或回归任务。每个神经元与前一层所有神经元相连，通过权重和偏置进行特征转换，并引入激活函数以增强非线性建模能力。尽管参数量大易导致过拟合，但可通过正则化、Dropout和批标准化等技术有效应对，从而提升模型性能。 全连接层在卷积神经网络（CNN）中起着桥梁作用，将卷积层和池化层提取的局部特征整合为全局特征，实现分类或回归任务。每个神经元与前一层所有神经元相连，通过权重和偏置进行特征转换，并引入激活函数以增强非线性建模能力。尽管参数量大易导致过拟合，但可通过正则化、Dropout和批标准化等技术有效应对，从而提升模型性能。
上滑加载中
推荐直播
-
DeepSeek行业运用方案2025/02/25 周二 16:30-17:30
阿肯-华为云生态技术讲师
本期课程将带您揭秘DeepSeek在多行业的创新方案，手把手演示如何通过ModelArts在华为云上构建方案。
即将直播 -
华为云 x DeepSeek：AI驱动云上应用创新2025/02/26 周三 16:00-18:00
华为云 AI专家大咖团
在 AI 技术飞速发展之际，DeepSeek 备受关注。它凭借哪些技术与理念脱颖而出？华为云与 DeepSeek 合作，将如何重塑产品与应用模式，助力企业数字化转型？在华为开发者空间，怎样高效部署 DeepSeek，搭建专属服务器？基于华为云平台，又该如何挖掘 DeepSeek 潜力，实现智能化升级？本期直播围绕DeepSeek在云上的应用案例，与DTSE布道师们一起探讨如何利用AI 驱动云上应用创新。
去报名
热门标签