- # Title文章标题 VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION # Summary 网络架构如下图： 卷积神经网络的输入是一个固定大小的224×224 RGB图像。做的唯一预处理是从每个像素中减去在训练集上计算的RGB平均值。图像通... # Title文章标题 VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION # Summary 网络架构如下图： 卷积神经网络的输入是一个固定大小的224×224 RGB图像。做的唯一预处理是从每个像素中减去在训练集上计算的RGB平均值。图像通...
- 一、One—Hot编码 计算机在表示多结果的分类时，使用One-Hot编码是比较常见的处理方式。即每个对象都有对应的列。 二、最大似然率 下面是两幅图像，比较两幅图像，试通过概率的方法来讨论一下为什么右边的模型会更好。 假设第一幅图像的每个点是对应颜色的概率为下图： 如果假设点的颜色是相互独立的，则整个图表的概率为... 一、One—Hot编码 计算机在表示多结果的分类时，使用One-Hot编码是比较常见的处理方式。即每个对象都有对应的列。 二、最大似然率 下面是两幅图像，比较两幅图像，试通过概率的方法来讨论一下为什么右边的模型会更好。 假设第一幅图像的每个点是对应颜色的概率为下图： 如果假设点的颜色是相互独立的，则整个图表的概率为...
- 在上一篇文章中，我们将数据导出到 Google Cloud Storage。在这篇文章中将读取数据并使用数据运行模型。有很多使用 colab 的例子。在这里，我们专注于在您的 PC 或服务器上训练您的模型。 从 gcp 存储桶下载数据。 使用 gsutil 将文件复制到您电脑上选择的文件夹中 gsutil -m cp -r gs... 在上一篇文章中，我们将数据导出到 Google Cloud Storage。在这篇文章中将读取数据并使用数据运行模型。有很多使用 colab 的例子。在这里，我们专注于在您的 PC 或服务器上训练您的模型。 从 gcp 存储桶下载数据。 使用 gsutil 将文件复制到您电脑上选择的文件夹中 gsutil -m cp -r gs...
- 通常我们希望 70% 的数据用于训练，20% 用于测试，10% 用于验证。下面你可以在 python 中找到一个示例来批量导出样本。我们更喜欢将 Python api 用于这些目的，因为我们只能为每个任务导出有限数量的点，而 Python 使我们能够自动执行此过程。 import eefrom time import sleepimp... 通常我们希望 70% 的数据用于训练，20% 用于测试，10% 用于验证。下面你可以在 python 中找到一个示例来批量导出样本。我们更喜欢将 Python api 用于这些目的，因为我们只能为每个任务导出有限数量的点，而 Python 使我们能够自动执行此过程。 import eefrom time import sleepimp...
- 使用很少的数据来训练一个图像分类模型，这是很常见的情况，如果你要从事计算机视觉方面的职业，很可能会在实践中遇到这种情况。“很少的”样本可能是几百张图像，也可能是几万张图像。来看一个实例，我们将重点讨论猫狗图像分类，数据集中包含 4000 张猫和狗的图像（2000 张猫的图像，2000 张狗的图像）。我们将 2000 张图像用于训练，10... 使用很少的数据来训练一个图像分类模型，这是很常见的情况，如果你要从事计算机视觉方面的职业，很可能会在实践中遇到这种情况。“很少的”样本可能是几百张图像，也可能是几万张图像。来看一个实例，我们将重点讨论猫狗图像分类，数据集中包含 4000 张猫和狗的图像（2000 张猫的图像，2000 张狗的图像）。我们将 2000 张图像用于训练，10...
- 想要将深度学习应用于小型图像数据集，一种常用且非常高效的方法是使用预训练网络。 预训练网络（pretrained network）是一个保存好的网络，之前已在大型数据集（通常是大规模图像分类任务）上训练好。如果这个原始数据集足够大且足够通用，那么预训练网络学到的特征的空间层次结构可以有效地作为视觉世界的通用模型，因此这些特征可用于各种不... 想要将深度学习应用于小型图像数据集，一种常用且非常高效的方法是使用预训练网络。 预训练网络（pretrained network）是一个保存好的网络，之前已在大型数据集（通常是大规模图像分类任务）上训练好。如果这个原始数据集足够大且足够通用，那么预训练网络学到的特征的空间层次结构可以有效地作为视觉世界的通用模型，因此这些特征可用于各种不...
- 本文介绍了 Inception 家族的主要成员，包括 Inception v1、Inception v2 、Inception v3、Inception v4 和 Inception-ResNet。它们的计算效率与参数效率在所有卷积架构中都是顶尖的。 Inception 网络是CNN分类器发展史上一个重要的里程碑。在 Inc... 本文介绍了 Inception 家族的主要成员，包括 Inception v1、Inception v2 、Inception v3、Inception v4 和 Inception-ResNet。它们的计算效率与参数效率在所有卷积架构中都是顶尖的。 Inception 网络是CNN分类器发展史上一个重要的里程碑。在 Inc...
- 论文题目：FeaturePyramidNetworksforObjectDetection论文链接：https://arxiv.org/abs/1612.03144 所要解决的问题 针对小目标检测... 论文题目：FeaturePyramidNetworksforObjectDetection论文链接：https://arxiv.org/abs/1612.03144 所要解决的问题 针对小目标检测...
- 论文题目：Recurrent Models of Visual Attention 论文链接：http://www.oalib.com/paper/4082117 作者及单位 研究目标 研究如何减少图像相关任务的计算量, 提出通过使用attention based RNN模型建立序列模型(recurrent attenti... 论文题目：Recurrent Models of Visual Attention 论文链接：http://www.oalib.com/paper/4082117 作者及单位 研究目标 研究如何减少图像相关任务的计算量, 提出通过使用attention based RNN模型建立序列模型(recurrent attenti...
- 本文翻译自http://galaxy.agh.edu.pl/~vlsi/AI/backp_t_en/backprop.html，大概介绍下反向传播的基本原理。 本文旨在描述反向传播算法在多层神经... 本文翻译自http://galaxy.agh.edu.pl/~vlsi/AI/backp_t_en/backprop.html，大概介绍下反向传播的基本原理。 本文旨在描述反向传播算法在多层神经...
- 目标跟踪论文一般提到VGG-M神经网络，也就是CNN-M神经网络，其出处是论文《Return of the Devil in the Details: Delving Deep into Convolutional Nets》，其定义如下： 其架构包含5个卷积层和3个全连接层，它的特点是第一个卷积层的步幅减小和感受野较小，这在ILSV... 目标跟踪论文一般提到VGG-M神经网络，也就是CNN-M神经网络，其出处是论文《Return of the Devil in the Details: Delving Deep into Convolutional Nets》，其定义如下： 其架构包含5个卷积层和3个全连接层，它的特点是第一个卷积层的步幅减小和感受野较小，这在ILSV...
- 一、神经网络前向传播公式推导 这样设计的原因：第一是这种一致的完全连接形式事实上可以相对容易地编码成计算机指令，第二是神经网络的学习过程将会弱化这些实际上不需要的连接（也就是这些连接的权重将趋近于0），因此对于解决特定任 务所需最小数量的连接冗余几个连接，也无伤大雅。 这意味着，随着神经网络学习过程的进行，神经网络通过调整优化网... 一、神经网络前向传播公式推导 这样设计的原因：第一是这种一致的完全连接形式事实上可以相对容易地编码成计算机指令，第二是神经网络的学习过程将会弱化这些实际上不需要的连接（也就是这些连接的权重将趋近于0），因此对于解决特定任 务所需最小数量的连接冗余几个连接，也无伤大雅。 这意味着，随着神经网络学习过程的进行，神经网络通过调整优化网...
- 对于监督分类，可视化每个类别的每个波段的平均光谱响应很有用。此类图表称为光谱响应曲线或光谱特征。此类图表有助于确定类的可分离性。如果类具有非常不同的签名，分类器将能够很好地将它们分开。 我们还可以绘制一个类的所有训练样本的光谱特征并检查训练数据集的质量。如果所有训练样本都显示相似的特征，则表明您在收集适当的样本方面做得很好。您还可以从... 对于监督分类，可视化每个类别的每个波段的平均光谱响应很有用。此类图表称为光谱响应曲线或光谱特征。此类图表有助于确定类的可分离性。如果类具有非常不同的签名，分类器将能够很好地将它们分开。 我们还可以绘制一个类的所有训练样本的光谱特征并检查训练数据集的质量。如果所有训练样本都显示相似的特征，则表明您在收集适当的样本方面做得很好。您还可以从...
- 手写字体识别模型LeNet5诞生于1994年，是最早的卷积神经网络之一。LeNet5通过巧妙的设计，利用卷积、参数共享、池化等操作提取特征，避免了大量的计算成本，最后再使用全连接神经网络进行分类识别，这个网络也是最近大量神经网络架构的起点。虽然现在看来Lenet基本实际用处不大，而且架构现在基本也没人用了，但是可以作为神经网络架构的一个... 手写字体识别模型LeNet5诞生于1994年，是最早的卷积神经网络之一。LeNet5通过巧妙的设计，利用卷积、参数共享、池化等操作提取特征，避免了大量的计算成本，最后再使用全连接神经网络进行分类识别，这个网络也是最近大量神经网络架构的起点。虽然现在看来Lenet基本实际用处不大，而且架构现在基本也没人用了，但是可以作为神经网络架构的一个...
- 论文题目①：BAM: Bottleneck Attention Module论文题目②：CBAM：CBAM: Convolutional Block Attention Module Bottlenet... 论文题目①：BAM: Bottleneck Attention Module论文题目②：CBAM：CBAM: Convolutional Block Attention Module Bottlenet...
上滑加载中
推荐直播
-
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中 -
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
热门标签