卷积神经网络新思路

最新推荐文章于 2023-12-08 17:19:51 发布
最新推荐文章于 2023-12-08 17:19:51 发布
阅读量513 收藏 1
点赞数
分类专栏： 初窥神经网络 文章标签： 神经网络 图片 cnn
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。
本文链接：https://blog.csdn.net/qq_37341836/article/details/77900677
版权

今天听kk讲课，听到了一种新的处理卷积神经网络的思路。
传统的cnn是将数据还原成二维的图像，再利用卷积核去卷积，kk今天提了一种叫做 可控受限野神经网络层结构的 理论。
首先提一个问题，如何在将图像降维成一维时依然保留图像的各个部分之间的空间关系，也就是保留图像的区域相关性。可能说的有些抽象，举个例子。
给一张图，如果取其中的两个点，然后我们有没有办法在图片变成一维的时候还能保留这两个点的距离关系。
其中有一种使用分形的方法（不懂），原则上可以将二维的图片通过分形得到一维，同时一维模型中的点距离关系也接近原本图片，具体如何实现可以看希尔伯特曲线，通过希尔伯特曲线映射，可以得到一维度数据，然后选取特别的权重分布的权重weights矩阵，就可以做出同时具备局部受限事业和全连接的网络层，如果局部关系强就将相关位置的权重调高，就可以通过普通矩阵的方式进行卷积神经网络

这里写图片描述

大行疯者
关注
专栏目录
卷积神经网络模型结构,卷积神经网络结构设计
aifamao6的博客
08-28 644
用一个卷积核滑动图片来提取某种特征（比如某个方向的边），然后激活函数用ReLU来压制梯度弥散。对得到的结果用另一个卷积核继续提取+reLU，然后池化（保留区域最大或者用区域平均来替换整个局部区域的值，保证平移不变性和一定程度上对过拟合的压制）之后“深度”的话，就会需要对池化后的结果继续用不同的卷积核进行“卷积+relu”再池化的工作。最后得到的实质是一个图片的深度特征，然后实际分类需要另外加一层，一般是softmax。（也就是说如果对一个现成的已经训练完毕的卷积神经网络模型，只保留除了最后一层之外的部分，然
卷积神经网络发展现状,卷积神经网络发展历程
aifamao3的博客
08-22 1134
4.卷积神经网络仿造生物的视知觉（visualperception）机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化（grid-liketopology）特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程（featureengineering）要求。或通过脑机交互，将计算与生命体融合，构建以虚拟脑与生物脑为物质基础的脑机一体化的超级大脑，最终建立新型的计算结构与智能形态。这个过程不断重复，直到输出神经元被激发。
卷积神经网络(CNN)的17篇有影响力的论文题目和创新点介绍
11-29
整理了从2012年到2017年15篇国际顶级会议的卷积神经网络(CNN)的架构论文，并注明了每篇论文的创新点。需要注意的是：只是整理了论文题目，并没有下载地址，下载者可以根据题目下载对应的论文。
卷积神经网络创新点思考
liuyingshudian的博客
08-20 1411
创新思考
卷积神经网络中十大拍案叫绝的操作
Day Dreamer's blog
08-26 5438
卷积神经网络中十大拍案叫绝的操作
7 大类卷积神经网络（CNN）创新综述
CDA数据分析师
12-02 390
作者 | Asifullah Khan & Anabia Sohail 编译 | 机器之心 深度卷积神经网络（CNN）是一种特殊类型的神经网络，在各种竞赛基准上表现出了当前最优结果。深度 CNN 架构在挑战性基准任务比赛中实现的高性能表明，创新的架构理念以及参数优化可以提高 CNN 在各种视觉相关任务上的性能。本综述将最近的 CNN 架构创新分为七个不同的...
图卷积网络（Semi-Supervised论文思路整理）
qq_42521345的博客
03-15 1006
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u013006675/article/details/81098466 </div> <div id="content_view...
论文研究-基于卷积神经网络的手写数字识别算法研究 .pdf
08-19
研究者们提出了基于卷积神经网络（CNN）的手写数字识别方法，特别是针对传统串行方式实现CNN时存在的局限性，张荣磊等研究者通过引入MapReduce模型提出了并行化的CNN算法，旨在提高手写数字识别的准确率和处理速度。...
基于新型三元卷积神经网络的行人再辨识算法.pdf
09-26
综上所述，这篇论文对基于三元卷积神经网络的行人再识别算法进行了创新性的改进，提出了新的度量函数和损失函数，解决了现有方法的局限性，提升了模型的识别精度。这些研究成果为行人再识别领域的深度学习技术提供了...
神经网络算法入门概述
07-19
一份简单的神经网络算法介绍，描述了神经网络的基本思路。
卷积神经网络（CNN）知识点
ryankaros的博客
07-05 642
卷积神经网络（CNN） 1. 卷积核（convolutional kernel）----对某个局部的加权求和 一般为奇数大小 厚度对应通道数（channel），对应后一层的feature maps数 –11卷积核降维（example：当输入为661，通过111卷积核，输出仍为661矩阵。若输入6632（多通道），卷积核仍然为111，输出就变为66*1，实现降维）【发生在卷积核个数小于输入channel时，输出通道数等于卷积核个数】 —1*1卷积核（只会改变输出的通道数，不会影响输出特征高和宽）【实现了通道
卷积神经网络18种有效创新方法汇总，涵盖注意力机制、空间开发等7大方向
最新发布
学姐带你玩AI的博客
12-08 3063
作为深度学习中非常重要的研究方向之一，的创新不仅表现在提升模型的性能上，还更进一步拓展了深度学习的应用范围。具体来讲，。例如，深度CNN使用多个非线性特征提取阶段从数据中自动学习分层表征，从而在各种竞赛基准上取得了当前最优结果。另外，CNN的创新也推动了科学研究和实际应用的发展，其创新不仅局限于网络结构，还包括损失函数设计、分类器设计等多个方面。
神经网络构建思路
qq_38409301的博客
12-25 198
数字签名与数字加密
Fisher的专栏
11-13 697
数字签名司令部向部署在各处的间谍发出搜集情报的指令。总部签名以确保指令的权威性，间谍们用总部实现分发的公钥验证收到的指令的准确无误，以免搜集无价值的情报，浪费资源。其过程如下图所示。数字加密各处间谍搜集好情报后为防止信息暴露，采用司令部分发的公钥给信息加密，然后将情报信息司令部。司令部自己掌握私钥来一一解密各处间谍传回的情报信息。这私钥甚至连间谍们也不能拥有，情报一旦被某位间谍加密，除了司令部，没有任何其他人可以解密（包括搜集情报并给情报加密的那位间谍）。
卷积神经网络全面解析
常思考->有目标->重实践->善反思
10-12 3810
卷积神经网络（CNN）概述从多层感知器（MLP）说起 感知器多层感知器 输入层-隐层隐层-输出层 Back Propagation存在的问题 从MLP到CNN CNN的前世今生CNN的预测过程 卷积下采样光栅化多层感知器预测 CNN的参数估计 多层感知器层光栅化层池化层卷积层 最后一公里：SoftmaxCNN的实现 思路其他 最近仔细学
三万字硬核详解：卷积神经网络CNN（原理详解 + 项目实战 + 经验分享）
热门推荐
shinuone的博客
10-31 1万+
深入解析卷积神经网络(CNN)的实际运用，全面整理并梳理了CNN的关键知识点。从基础概念到实战技巧，提供了详实的内容，助力读者深入理解并应用卷积神经网络于实际问题解决。
深度学习之卷积网络-概述及概念思想通俗地总结
期待黎明的博客
02-18 631
深度学习之卷积网络 卷积神经网络（CNN）是一种专门用来处理具有类似网格结构的数据的神经网络。 卷积网络的术语中，卷积的第一个参数x通常叫做输入，第二个参数叫做核函数。输出有时被称作特征映射。 通俗要点总结 1.卷积运算 利用卷积核，将图中具有卷积核特征的部分提取出来，最后形成特征图谱 2.池化 池化可以把区域内最大的值来代表进行输出，也可以求取平均值，当然还有其他种类的池化函数。特点：保持原...
卷积神经网络
往者不可谏，来者犹可追
08-04 980
概述卷积神经网络是一种特殊的深度前馈神经网络，为了避免层级之间全连接造成的参数冗余，而导致网络模型的训练依赖于参数个数的数据量；它的设计选择局部连接，符合生物神经元的稀疏响应特性（神经元的感受野，具有局部响应特性，只有某个局部区域内的刺激才能激活该神经元），这样便可大大降低网络模型的参数规模。对于卷积神经网络而言，感受野是每一层输出的特征图上的像素点，在原图像上映射的区域大小。卷积神经网络的基础模块
排名卷积神经网络在年龄估计中的应用
"Using Ranking-CNN for Age Estimation"这篇论文在卷积神经网络的应用上提出了一个新颖的思路，即通过考虑年龄的序贯信息来优化面部年龄估计的准确性，这在生物识别或人像搜索等应用场景中具有重要的实际价值。
评论
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
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