- 博客(4)
- 收藏
- 关注
RSS订阅原创 神经网络与深度学习课程第7周总结
U-Net则是专为医学图像分割设计的，它的网络结构通过重复的上采样和下采样过程，有效地恢复图像的空间层级，非常适合处理需要高精度局部化信息的任务。DeepLab是另一个流行的模型，它引入了空洞卷积（atrous convolution），这种技术可以增加感受野，捕捉更多的上下文信息而不增加计算负担。语义分割的应用广泛，包括自动驾驶车辆的视觉系统、地理信息系统中的图像分析、医疗图像的分析等。通过这些先进的模型，深度学习技术能够提供更丰富、更精确的视觉信息解析，推动相关领域的技术进步。
2024-05-05 21:45:39
795
原创 神经网络与深度学习课程第6周总结
在AlexNet的设计中，第一层使用的卷积窗口大小为11×11，这是为了更好地捕获ImageNet数据集中相比MNIST数据集大得多的图像的特征。此外，为了增强模型的泛化能力，AlexNet在训练期间引入了大量的图像增强技术，包括图像的翻转、裁剪和颜色变换，这些方法显著增加了训练数据的多样性，有助于减少过拟合。由于早期GPU显存的限制，原始的AlexNet采用了双数据流的设计，使得每个GPU只需要处理一半的模型参数。AlexNet的卷积层通道数量是LeNet的10倍，显著增加了模型的复杂度。
2024-05-05 21:10:04
908
1
原创 神经网络与深度学习课程第5周总结
卷积层使用一系列的过滤器（或称为卷积核），这些过滤器在输入数据上滑动，识别局部特征如边缘、角点等，并将这些信息传递到网络的更深层次以捕获更抽象的特征，从而形成一个有效的数据表示。卷积层负责提取输入图像的特征，池化层则用于降低特征的空间维度，减少参数数量和计算复杂性，同时保持特征的重要信息。整体上，这些层相互作用，形成一个强大的特征学习和决策制定机制。LeNet-5的设计非常高效，通过逐层提取更加抽象的特征，逐步缩减图像的空间大小，同时保留关键信息，这使得网络能够在较低的计算成本下实现高效的图像识别。
2024-04-14 17:05:13
1043
原创 【神经网络与深度学习课程第4周总结】
神经网络与深度学习是模仿人脑神经元互联结构的高级计算框架，通过参数化的非线性变换层次化处理数据，学习其内在的复杂模式和特征。这一领域分为多种类型，包括卷积神经网络（CNNs）和递归神经网络（RNNs）等，各适应于不同的数据类型和任务。随着算力的增强和大数据的可用性，深度学习技术在图像识别、自然语言处理、自动驾驶等多个领域实现了突破性进展，推动了人工智能技术的广泛应用。
2024-04-01 11:12:33
463
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