- 博客(4)
- 收藏
- 关注
RSS订阅原创 深度学习与神经网络第四次课总结
NeRF（Neural Radiance Fields）最早在2020年ECCV会议上发表，作为Best Paper，其将隐式表达推上了一个新的高度，仅用 2D 的 posed images 作为监督，即可表示复杂的三维场景。NeRF迅速发展起来，被应用到多个技术方向上，例如新视点合成、三维重建等等，并取得非常好的效果。NeRF其输入稀疏的多角度带pose的图像训练得到一个神经辐射场模型，根据这个模型可以渲染出任意视角下的清晰的照片，也可以简要概括为用一个MLP神经网络去隐式地学习一个三维场景。
2024-04-28 22:41:23
1664
原创 神经网络与深度学习第三周课程总结
经过卷积网络在特征图上划分S×S的网格，通过网格的划分得到边界框（bounding box）和置信度得分（confidence）以及类别的概率图（class probability map），结合两者得到最终检测结果。从图像的特征图出发，得到物体检测出的属性（attributes），即边界框的坐标（box co-ordinates）、目标性得分（objectness score）、分类的得分。物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，并且物体还可以是多个类别。
2024-04-20 15:59:04
1415
2
原创 神经网络与深度学习第二周课程总结
全连接网络问题全连接网络：链接权过多，算的慢，难收敛，同时可能进入局部极小值，也容易产生过拟合问题e.g. 输入为图像，隐含层有1M个节点，则输入->隐 含层间有1 × 1012数量级参数解决算的慢问题：减少权值连接，每一个节点只连到上一层的少数神经元，即局部连接网络。解决难收敛、算的慢问题：权值过多极易产生过拟合。如何消除？回想人类解决思路：信息分层处理，每一层在上层提取特征的基 础上获取进行再处理，得到更高级别的特征。
2024-04-07 17:10:55
1382
原创 神经网络与深度学习第一次课程总结
若隐层节点（单元）可任意设置，用三层S型非线性特性节点的网络，可以一致逼近紧集上的连续函数或按范数逼近紧集上的平方可积函数。正向传播是输入信号从输入层经隐层，传向输出层，若输出层得到了期望的输出，则学习算法结束；样本输出与网络输出之差）按原联接通路反向计算，由梯度下降法调整各层节点的权值和阈值，使误差减小。输出：若为二分类问题，则为0和1，或者是属于某类的概率，即0-1之间的数。3、假设网络共有L层，其中输入层为第0层，输出层位第L层。（3）维度不同：前者是二维的分类，而后者算是一维的回归。
2024-03-31 20:45:01
527
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人