- 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...
- 卷积神经网络是一种深度学习模型，它在处理具有网格拓扑结构的数据，如图像（2D网格）和音频（1D网格）时，表现出色。CNN 通过模仿生物视觉系统的工作原理，能够从图像中自动学习和提取有用的特征，这一能力使其成为视觉识别任务中的首选模型。 CNN 的关键构件卷积层：这是 CNN 的核心，负责从输入图像中提取特征。每个卷积层包含若干卷积核，这些卷积核通过在输入数据上滑动并计算核与数据的点积，从而产... 卷积神经网络是一种深度学习模型，它在处理具有网格拓扑结构的数据，如图像（2D网格）和音频（1D网格）时，表现出色。CNN 通过模仿生物视觉系统的工作原理，能够从图像中自动学习和提取有用的特征，这一能力使其成为视觉识别任务中的首选模型。 CNN 的关键构件卷积层：这是 CNN 的核心，负责从输入图像中提取特征。每个卷积层包含若干卷积核，这些卷积核通过在输入数据上滑动并计算核与数据的点积，从而产...
- 在深度学习中，尤其是在卷积神经网络（CNN）的结构里，池化层（Pooling Layer）扮演着重要的角色。池化层通常跟在卷积层之后，其主要目的是减少卷积层输出的特征图（Feature Maps）的空间大小，同时保留最重要的信息。这一过程不仅有助于减少计算量，还能提高模型的泛化能力，减少过拟合的风险。 池化层的工作原理池化层通过对输入特征图的每个小区域进行下采样（subsampling）或池... 在深度学习中，尤其是在卷积神经网络（CNN）的结构里，池化层（Pooling Layer）扮演着重要的角色。池化层通常跟在卷积层之后，其主要目的是减少卷积层输出的特征图（Feature Maps）的空间大小，同时保留最重要的信息。这一过程不仅有助于减少计算量，还能提高模型的泛化能力，减少过拟合的风险。 池化层的工作原理池化层通过对输入特征图的每个小区域进行下采样（subsampling）或池...
- 全连接层是深度学习中常见的一种网络层，特别是在卷积神经网络（CNN）中。在这个层中，神经元与前一层中的每一个神经元都有连接，因此称为全连接。全连接层的主要作用是对前面卷积层或池化层提取到的特征进行整合，并最终输出一个固定大小的向量。这个向量通常用于分类或回归任务的最终决策。 全连接层的工作机制全连接层的工作原理基于线性变换和激活函数。具体来说，它将输入特征向量与权重矩阵相乘，再加上一个偏置项... 全连接层是深度学习中常见的一种网络层，特别是在卷积神经网络（CNN）中。在这个层中，神经元与前一层中的每一个神经元都有连接，因此称为全连接。全连接层的主要作用是对前面卷积层或池化层提取到的特征进行整合，并最终输出一个固定大小的向量。这个向量通常用于分类或回归任务的最终决策。 全连接层的工作机制全连接层的工作原理基于线性变换和激活函数。具体来说，它将输入特征向量与权重矩阵相乘，再加上一个偏置项...
- 在深入探讨卷积层如何提取图片中的特征之前，我们需要理解卷积神经网络（CNN）在图像处理中的核心作用。CNN 是一种专门为处理具有类似网格结构的数据设计的神经网络，例如图像数据，可以视为一个二维的像素网格。卷积层，作为 CNN 的基础构件，通过卷积操作来提取图片中的低级到高级特征，这些特征对于图像的分类、识别等任务至关重要。 卷积层的工作原理卷积层工作的基本单位是 卷积核 或 滤波器，它是一个... 在深入探讨卷积层如何提取图片中的特征之前，我们需要理解卷积神经网络（CNN）在图像处理中的核心作用。CNN 是一种专门为处理具有类似网格结构的数据设计的神经网络，例如图像数据，可以视为一个二维的像素网格。卷积层，作为 CNN 的基础构件，通过卷积操作来提取图片中的低级到高级特征，这些特征对于图像的分类、识别等任务至关重要。 卷积层的工作原理卷积层工作的基本单位是 卷积核 或 滤波器，它是一个...
- 卷积神经网络（Convolutional Neural Network, CNN）是一种专门为处理网格化数据（如图像、视频、音频、时间序列等）设计的深度学习模型。它通过局部感受野、权重共享和层次化特征提取等机制，高效地自动学习数据中的空间层次特征（如边缘、纹理、形状、语义对象等），在计算机视觉领域（如图像分类、目标检测、语义分割）中取得了巨大成功，并逐渐扩展到自然语言处理、语音识别等领域。 ... 卷积神经网络（Convolutional Neural Network, CNN）是一种专门为处理网格化数据（如图像、视频、音频、时间序列等）设计的深度学习模型。它通过局部感受野、权重共享和层次化特征提取等机制，高效地自动学习数据中的空间层次特征（如边缘、纹理、形状、语义对象等），在计算机视觉领域（如图像分类、目标检测、语义分割）中取得了巨大成功，并逐渐扩展到自然语言处理、语音识别等领域。 ...
上滑加载中
推荐直播
-
码道新技能，AI 新生产力——从自动视频生成到开源项目解析2026/04/08 周三 19:00-21:00
童得力-华为云开发者生态运营总监/何文强-无人机企业AI提效负责人
本次华为云码道 Skill 实战活动，聚焦两大 AI 开发场景：通过实战教学，带你打造 AI 编程自动生成视频 Skill，并实现对 GitHub 热门开源项目的智能知识抽取，手把手掌握 Skill 开发全流程，用 AI 提升研发效率与内容生产力。
回顾中 -
华为云码道：零代码股票智能决策平台全功能实战2026/04/18 周六 10:00-12:00
秦拳德-中软国际教育卓越研究院研究员、华为云金牌讲师、云原生技术专家
利用Tushare接口获取实时行情数据，采用Transformer算法进行时序预测与涨跌分析，并集成DeepSeek API提供智能解读。同时，项目深度结合华为云CodeArts（码道）的代码智能体能力，实现代码一键推送至云端代码仓库，建立起高效、可协作的团队开发新范式。开发者可快速上手，从零打造功能完整的个股筛选、智能分析与风险管控产品。
回顾中 -
华为云码道全新升级，多会话并行与多智能体协作2026/05/08 周五 19:00-21:00
王一男-华为云码道产品专家；张嘉冉-华为云码道工程师；胡琦-华为云HCDE；程诗杰-华为云HCDG
华为云码道4月份版本全新升级，此次直播深度解读4月份产品特性，通过“特性解读+实操演示+实战案例+设计创新”的组合，全方位展现码道在多会话并行与多智能体协作方面的能力，赋能开发者提升效率
正在直播
热门标签