High_quality-CSDN博客

原创 AlexNet

神经网络中的卷积层和全连接层执行的都是线性变换，如果没有激活函数，只是将这些线性层堆叠起来，其数学效果会“坍缩”，最终的数学效果都等价于一个单独的线性层。要求对卷积神经网络的基本概念和原理，了解深度卷积神经网络AlexNet的架构以及各个组件的实现，并使用PyTorch框架搭建AlexNet及相应的训练与预测脚本，从而掌握深度卷积神经网络的搭建、训练、测试过程以及相应的代码结构。它通过可学习的“滤波器”（权重w）在图像上滑动，以检测特定的视觉模式（如边缘、纹S理、颜色或更复杂的形状）。

2026-01-01 20:15:25 719

原创三维视觉基础2

项目以“运动恢复结构”（Structure from Motion, SfM）与“多视图立体匹配”（Multi-View Stereo, MVS）为底层技术框架，通过程序化的特征提取、匹配、与几何解算，精确地恢复相机运动参数与场景的稀疏结构，并在此基础上生成具有真实纹理的稠密几何模型。当面对纹理稀疏（如白墙）、重复纹理（如砖墙）或视角变化巨大的场景时，传统算法（如SIFT）很难找到足够多且准确的对应点，这就好比盖房子没有找到足够牢固的承重点，后续的几何计算自然会产生巨大误差，导致模型有空洞、噪声大。

2026-01-01 19:56:32 779

原创三维视觉基础1

calc_prism_star_geom(outer_R: float, inner_R: float, num_points: int, height: float): 接收星形外顶点半径 outer_R、内顶点半径 inner_R、角的数量 num_points 和高 height，返回星形棱柱的几何数据。calc_prism_geom(ne: int, r: float, h: float): 接收底面边数ne、外接圆半径r和高h，返回一个棱柱的几何数据。

2026-01-01 19:30:44 800

【计算机视觉】基于AlexNet深度卷积神经网络的花卉图像分类系统实现：模型训练与多类别识别性能分析

内容概要：本文档记录了学生高品在深度卷积神经网络应用方面的实验成果，重点围绕使用AlexNet模型实现花卉图像分类任务。文中详细展示了模型构建（model.py）、训练（train.py）和预测（predict.py）三个核心模块的关键代码实现，并对实验结果进行了分析。AlexNet模型通过卷积层提取图像特征，经全连接层完成五类花卉分类任务，训练过程中采用CrossEntropyLoss损失函数与AdamW优化器。实验结果显示，在5类花分类任务中，10轮训练后损失降至0.86；当减少至4类花且每类仅40个样本时，8轮内损失即低于0.8，表明类别数和样本量对模型收敛速度有显著影响。此外，还提供了模型预测可视化结果与不同训练设置下的性能对比。; 适合人群：具备深度学习基础知识、熟悉PyTorch框架的高校学生或初级算法工程师，尤其适合从事计算机视觉方向学习与研究的人员；使用场景及目标：①掌握AlexNet网络结构的设计原理及其在图像分类中的实现方法；②理解模型训练流程中损失函数、优化器的选择与代码实现；③通过调整数据集规模与类别数量分析其对模型性能的影响；阅读建议：建议结合代码与实验结果进行对照学习，动手复现实验过程，尝试调整网络结构或超参数以深入理解CNN的工作机制与泛化能力。

2026-01-08

aaaaaaaaaa优化算法sgd

2026-01-07

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人