1.32、 基于区域卷积神经网络(R-CNN)的停车标志检测(matlab)

最新推荐文章于 2024-08-13 17:25:37 发布
最新推荐文章于 2024-08-13 17:25:37 发布
阅读量1.1k 收藏 25
点赞数 27
分类专栏： 基于matlab的深度学习案例及基础知识汇总 文章标签： 神经网络 R-CNN 区域卷积神经网络 停车标志检测 深度学习
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/XU157303764/article/details/140401122
版权

1、基于区域卷积神经网络(R-CNN)的停车标志检测原理及流程

基于区域卷积神经网络（R-CNN）的停车标志检测原理及流程如下：

  1. 原理： R-CNN 是一种用于目标检测的深度学习模型，其核心思想是首先在输入图像中提取出候选区域（Region Proposal），然后对提取的候选区域进行卷积神经网络（CNN）特征提取和目标分类。

  2. 流程：

    • 候选区域提取：首先使用选择性搜索（Selective Search）等算法从输入图像中提取出多个候选区域，这些候选区域可能包含潜在的目标。
    • 特征提取：对每个候选区域进行裁剪和缩放，然后使用预训练的卷积神经网络（如VGG、ResNet等）提取特征。
    • 目标分类：将提取的特征输入到一个支持向量机（SVM）分类器中，用于判断每个候选区域中是否包含停车标志。
    • 回归框：对被分类为停车标志的候选区域进行回归操作，将其位置优化。
    • 非极大值抑制：对重叠的候选区域进行非极大值抑制，保留得分最高的停车标志框。

  3. 训练： 在训练阶段，需要构建一个包含标注停车标志框的训练数据集。利用这些训练样本，通过监督学习的方式训练R-CNN模型，使其能够准确地检测停车标志。

  4. 评估和调优： 在训练完成后，需要对R-CNN模型进行评估，可以通过精度、召回率等指标评估模型的性能，并根据需要对模型进行调优以提高检测准确率。

R-CNN 基于候选区域的思想，能够准确地定位和识别输入图像中的目标物体。停车标志检测作为目标检测的一个应用场景，使用R-CNN可以有效地检测出图像中的停车标志，有助于自动驾驶、智能交通等领域的应用。

2、基于区域卷积神经网络(R-CNN)的停车标志检测说明

训练用于检测停车标志的 R-CNN 目标检测器

R-CNN 是一个目标检测框架，它使用卷积神经网络 (CNN) 对图像中的图像区域进行分类

R-CNN 检测器不使用滑动窗对每个区域进行分类，而是只处理那些可能包含对象的区域。这大幅降低了运行 CNN 时的计算成本。

使用 CIFAR-10 数据集对一个 CNN 进行预训练，该数据集有 50,000 个训练图像。然后，只使用 41 个训练图像针对停车标志检测对这个预训练的 CNN 进行微调。如果没有预训练 CNN，训练停车标志检测器会需要更多图像。

3、下载 CIFAR-10 图像数据

1）将 CIFAR-10 数据下载到一个临时目录

实现代码

cifar10Data = tempdir;
url = 'https://www.cs.toronto.edu/~kriz/cifar-10-matlab.tar.gz';
helperCIFAR10Data.download(url,cifar10Data);

2）加载 CIFAR-10 训练和测试数据

实现代码

[trainingImages,trainingLabels,testImages,testLabels] = helperCIFAR10Data.load(cifar10Data);

3）每个图像参数

实现代码

size(trainingImages)

4）CIFAR-10 有 10 个图像类别

实现代码

numImageCategories = 10;
categories(trainingLabels)

4、创建卷积神经网络 (CNN)

1）创建网络

CNN 由一系列层组成，每层定义一项特定计算

imageInputLayer - 图像输入层

convolution2dLayer - 卷积神经网络的二维卷积层

reluLayer - 修正线性单元 (ReLU) 层

maxPooling2dLayer - 最大池化层

fullyConnectedLayer - 全连接层

softmaxLayer- Softmax 层

classificationLayer - 神经网络的分类输出层

实现代码

[height,width,numChannels, ~] = size(trainingImages);

imageSize = [height width numChannels];
inputLayer = imageInputLayer(imageSize)

2）定义网络的中间层

中间层包含多个由卷积层、ReLU（修正线性单元）层和池化层组成的重复模块。

 这三个层构成卷积神经网络的核心构建模块。卷积层定义滤波器权重集，这些权重集在网络训练期间会更新。

ReLU 层在网络中引入非线性，让网络能够逼近非线性函数，这些函数将图像像素映射到图像语义内容。池化层在数据流经网络时对其进行下采样。

 在具有许多层的网络中，应谨慎使用池化层，以避免过早对网络中的数据进行下采样。

实现代码

filterSize = [5 5];
numFilters = 32;

middleLayers = [
convolution2dLayer(filterSize,numFilters,'Padding',2)
reluLayer()
maxPooling2dLayer(3,'Stride',2)
convolution2dLayer(filterSize,numFilters,'Padding',2)
reluLayer()
maxPooling2dLayer(3, 'Stride',2)

convolution2dLayer(filterSize,2 * numFilters,'Padding',2)
reluLayer()
maxPooling2dLayer(3,'Stride',2)
]

3）CNN 的最终层

CNN 的最终层通常包括全连接层和 softmax 损失层。

实现代码

finalLayers = [

fullyConnectedLayer(64)

reluLayer
fullyConnectedLayer(numImageCategories)

softmaxLayer
classificationLayer
]

4）对输入层、中间层和最终层进行合并

实现代码

layers = [
    inputLayer
    middleLayers
    finalLayers
    ]

5）初始化权重

使用标准差为 0.0001 的正态分布随机数初始化第一个卷积层的权重。这有助于改善训练的收敛性。

实现代码

layers(2).Weights = 0.0001 * randn([filterSize numChannels numFilters]);

5、训练CNN

1）使用 trainingOptions 函数设置网络训练算法

网络训练算法使用具有动量的随机梯度下降 (SGDM)，初始学习率为 0.001。

在训练期间，初始学习率每 8 轮降低一次（1 轮定义为对整个训练数据集进行一次完整遍历）。训练算法运行 40 轮。

实现代码

opts = trainingOptions('sgdm', ...
    'Momentum', 0.9, ...
    'InitialLearnRate', 0.001, ...
    'LearnRateSchedule', 'piecewise', ...
    'LearnRateDropFactor', 0.1, ...
    'LearnRateDropPeriod', 8, ...
    'L2Regularization', 0.004, ...
    'MaxEpochs', 40, ...
    'MiniBatchSize', 128, ...
    'Verbose', true);

2） 使用 trainNetwork 函数训练网络

实现代码

doTraining = false;

if doTraining    
    % Train a network.
    cifar10Net = trainNetwork(trainingImages, trainingLabels, layers, opts);
else
    % Load pre-trained detector for the example.
    load('rcnnStopSigns.mat','cifar10Net')       
end

6、验证 CIFAR-10 网络训练

1）可视化第一个卷积层

快速可视化第一个卷积层的滤波器权重有助于识别训练中的任何直接问题

实现代码

w = cifar10Net.Layers(2).Weights;
% rescale the weights to the range [0, 1] for better visualization
w = rescale(w);
figure
montage(w)

2）使用 CIFAR-10 测试数据来测量网络的分类准确度

实现代码

YTest = classify(cifar10Net, testImages);

% Calculate the accuracy.
accuracy = sum(YTest == testLabels)/numel(testLabels)

 视图效果

7、加载训练数据

1）加载停车标志的真实值数据

实现代码

% Load the ground truth data
data = load('stopSignsAndCars.mat', 'stopSignsAndCars');
stopSignsAndCars = data.stopSignsAndCars;

% Update the path to the image files to match the local file system
visiondata = fullfile(toolboxdir('vision'),'visiondata');
stopSignsAndCars.imageFilename = fullfile(visiondata, stopSignsAndCars.imageFilename);

% Display a summary of the ground truth data
summary(stopSignsAndCars)

2）数据标签

实现代码

stopSigns = stopSignsAndCars(:, {'imageFilename','stopSign'});

% Display one training image and the ground truth bounding boxes
I = imread(stopSigns.imageFilename{1});
I = insertObjectAnnotation(I,'Rectangle',stopSigns.stopSign{1},'stop sign','LineWidth',8);

figure
imshow(I)

视图效果

 

8、训练 R-CNN 停车标志检测器

实现代码

doTraining = false;

if doTraining
    
    % Set training options
    options = trainingOptions('sgdm', ...
        'MiniBatchSize', 128, ...
        'InitialLearnRate', 1e-3, ...
        'LearnRateSchedule', 'piecewise', ...
        'LearnRateDropFactor', 0.1, ...
        'LearnRateDropPeriod', 100, ...
        'MaxEpochs', 100, ...
        'Verbose', true);
    
    % Train an R-CNN object detector. This will take several minutes.    
    rcnn = trainRCNNObjectDetector(stopSigns, cifar10Net, options, ...
    'NegativeOverlapRange', [0 0.3], 'PositiveOverlapRange',[0.5 1])
else
    % Load pre-trained network for the example.
    load('rcnnStopSigns.mat','rcnn')       
end

9、测试 R-CNN 停车标志检测器

1)对测试图像试用该检测器

实现代码

% Read test image
testImage = imread('stopSignTest.jpg');

% Detect stop signs
[bboxes,score,label] = detect(rcnn,testImage,'MiniBatchSize',128)

2)R-CNN 对象 detect (Computer Vision Toolbox) 方法返回每个检测的对象边界框、检测分数和类标签

实现代码

[score, idx] = max(score);

bbox = bboxes(idx, :);
annotation = sprintf('%s: (Confidence = %f)', label(idx), score);

outputImage = insertObjectAnnotation(testImage, 'rectangle', bbox, annotation);

figure
imshow(outputImage)

视图效果 

10、总结

基于区域卷积神经网络（R-CNN）的停车标志检测在 MATLAB 中实现的总结如下：

  1. 数据准备：

    • 准备包含停车标志和其对应标注框的训练数据集和测试数据集。
    • 可以使用 MATLAB 的图像标注工具进行标注，并将标注信息保存为MATLAB数据格式。

  2. 模型构建：

    • 使用MATLAB内置的卷积神经网络工具箱构建R-CNN模型，包括候选区域提取、特征提取、目标分类和位置回归等模块。
    • 在模型中集成先前训练好的卷积神经网络作为特征提取器。

  3. 训练模型：

    • 利用训练数据集对R-CNN模型进行训练，包括特征提取、目标分类和位置回归这几个阶段。
    • 可以使用MATLAB深度学习工具箱提供的训练接口和函数来进行模型的训练。

  4. 评估模型：

    • 使用测试数据集对训练好的R-CNN模型进行评估，评估指标包括准确率、召回率、F1分数等。
    • 可以通过混淆矩阵等方式分析模型的性能。

  5. 应用模型：

    • 在实际应用中，使用训练好的R-CNN模型对输入图像进行停车标志检测。
    • 可以将检测到的停车标志框标注在图像上，或者输出检测结果的位置和类别信息。

总体而言，利用 MATLAB 中的深度学习工具箱和图像处理工具箱，可以比较方便地实现基于R-CNN的停车标志检测。通过合理的数据准备、模型构建、训练和评估流程，可以开发出准确、高效的停车标志检测系统。

11、源代码

代码

%% 基于区域卷积神经网络(R-CNN)的停车标志检测
%训练用于检测停车标志的 R-CNN 目标检测器
%R-CNN 是一个目标检测框架，它使用卷积神经网络 (CNN) 对图像中的图像区域进行分类
%R-CNN 检测器不使用滑动窗对每个区域进行分类，而是只处理那些可能包含对象的区域。这大幅降低了运行 CNN 时的计算成本。
%使用 CIFAR-10 数据集对一个 CNN 进行预训练，该数据集有 50,000 个训练图像。然后，只使用 41 个训练图像针对停车标志检测对这个预训练的 CNN 进行微调。如果没有预训练 CNN，训练停车标志检测器会需要更多图像。
%% 下载 CIFAR-10 图像数据
%将 CIFAR-10 数据下载到一个临时目录
cifar10Data = tempdir;
url = 'https://www.cs.toronto.edu/~kriz/cifar-10-matlab.tar.gz';
helperCIFAR10Data.download(url,cifar10Data);
%加载 CIFAR-10 训练和测试数据
[trainingImages,trainingLabels,testImages,testLabels] = helperCIFAR10Data.load(cifar10Data);
%每个图像是一个 32×32 RGB 图像，共有 50,000 个训练样本
size(trainingImages)
%CIFAR-10 有 10 个图像类别
numImageCategories = 10;
categories(trainingLabels)
%% 创建卷积神经网络 (CNN)
%CNN 由一系列层组成，每层定义一项特定计算
%imageInputLayer - 图像输入层
%convolution2dLayer - 卷积神经网络的二维卷积层
%reluLayer - 修正线性单元 (ReLU) 层
%maxPooling2dLayer - 最大池化层
%fullyConnectedLayer - 全连接层
%softmaxLayer- Softmax 层
%classificationLayer - 神经网络的分类输出层
[height,width,numChannels, ~] = size(trainingImages);

imageSize = [height width numChannels];
inputLayer = imageInputLayer(imageSize)
%定义网络的中间层。
%中间层包含多个由卷积层、ReLU（修正线性单元）层和池化层组成的重复模块。
% 这三个层构成卷积神经网络的核心构建模块。卷积层定义滤波器权重集，这些权重集在网络训练期间会更新。
% ReLU 层在网络中引入非线性，让网络能够逼近非线性函数，这些函数将图像像素映射到图像语义内容。池化层在数据流经网络时对其进行下采样。
% 在具有许多层的网络中，应谨慎使用池化层，以避免过早对网络中的数据进行下采样。
filterSize = [5 5];
numFilters = 32;

middleLayers = [
convolution2dLayer(filterSize,numFilters,'Padding',2)
reluLayer()
maxPooling2dLayer(3,'Stride',2)
convolution2dLayer(filterSize,numFilters,'Padding',2)
reluLayer()
maxPooling2dLayer(3, 'Stride',2)

convolution2dLayer(filterSize,2 * numFilters,'Padding',2)
reluLayer()
maxPooling2dLayer(3,'Stride',2)
]

%CNN 的最终层通常包括全连接层和 softmax 损失层。
finalLayers = [

fullyConnectedLayer(64)

reluLayer
fullyConnectedLayer(numImageCategories)

softmaxLayer
classificationLayer
]
%对输入层、中间层和最终层进行合并
layers = [
    inputLayer
    middleLayers
    finalLayers
    ]
%初始化第一个卷积层的权重
%使用标准差为 0.0001 的正态分布随机数初始化第一个卷积层的权重。这有助于改善训练的收敛性。
layers(2).Weights = 0.0001 * randn([filterSize numChannels numFilters]);
%% 训练CNN
%使用 trainingOptions 函数设置网络训练算法
%网络训练算法使用具有动量的随机梯度下降 (SGDM)，初始学习率为 0.001。
% 在训练期间，初始学习率每 8 轮降低一次（1 轮定义为对整个训练数据集进行一次完整遍历）。训练算法运行 40 轮。
opts = trainingOptions('sgdm', ...
    'Momentum', 0.9, ...
    'InitialLearnRate', 0.001, ...
    'LearnRateSchedule', 'piecewise', ...
    'LearnRateDropFactor', 0.1, ...
    'LearnRateDropPeriod', 8, ...
    'L2Regularization', 0.004, ...
    'MaxEpochs', 40, ...
    'MiniBatchSize', 128, ...
    'Verbose', true);
%使用 trainNetwork 函数训练网络
doTraining = false;

if doTraining    
    % Train a network.
    cifar10Net = trainNetwork(trainingImages, trainingLabels, layers, opts);
else
    % Load pre-trained detector for the example.
    load('rcnnStopSigns.mat','cifar10Net')       
end
%% 验证 CIFAR-10 网络训练
%可视化第一个卷积层
%快速可视化第一个卷积层的滤波器权重有助于识别训练中的任何直接问题
w = cifar10Net.Layers(2).Weights;

% rescale the weights to the range [0, 1] for better visualization
w = rescale(w);

figure
montage(w)

%使用 CIFAR-10 测试数据来测量网络的分类准确度
YTest = classify(cifar10Net, testImages);

% Calculate the accuracy.
accuracy = sum(YTest == testLabels)/numel(testLabels)
%% 加载训练数据
%加载停车标志的真实值数据
% Load the ground truth data
data = load('stopSignsAndCars.mat', 'stopSignsAndCars');
stopSignsAndCars = data.stopSignsAndCars;

% Update the path to the image files to match the local file system
visiondata = fullfile(toolboxdir('vision'),'visiondata');
stopSignsAndCars.imageFilename = fullfile(visiondata, stopSignsAndCars.imageFilename);

% Display a summary of the ground truth data
summary(stopSignsAndCars)
% 数据标签
stopSigns = stopSignsAndCars(:, {'imageFilename','stopSign'});

% Display one training image and the ground truth bounding boxes
I = imread(stopSigns.imageFilename{1});
I = insertObjectAnnotation(I,'Rectangle',stopSigns.stopSign{1},'stop sign','LineWidth',8);

figure
imshow(I)
%% 训练 R-CNN 停车标志检测器
%使用 trainRCNNObjectDetector (Computer Vision Toolbox) 训练 R-CNN 目标检测器
doTraining = false;

if doTraining
    
    % Set training options
    options = trainingOptions('sgdm', ...
        'MiniBatchSize', 128, ...
        'InitialLearnRate', 1e-3, ...
        'LearnRateSchedule', 'piecewise', ...
        'LearnRateDropFactor', 0.1, ...
        'LearnRateDropPeriod', 100, ...
        'MaxEpochs', 100, ...
        'Verbose', true);
    
    % Train an R-CNN object detector. This will take several minutes.    
    rcnn = trainRCNNObjectDetector(stopSigns, cifar10Net, options, ...
    'NegativeOverlapRange', [0 0.3], 'PositiveOverlapRange',[0.5 1])
else
    % Load pre-trained network for the example.
    load('rcnnStopSigns.mat','rcnn')       
end
%% 测试 R-CNN 停车标志检测器
%对测试图像试用该检测器
% Read test image
testImage = imread('stopSignTest.jpg');

% Detect stop signs
[bboxes,score,label] = detect(rcnn,testImage,'MiniBatchSize',128)
%R-CNN 对象 detect (Computer Vision Toolbox) 方法返回每个检测的对象边界框、检测分数和类标签
[score, idx] = max(score);

bbox = bboxes(idx, :);
annotation = sprintf('%s: (Confidence = %f)', label(idx), score);

outputImage = insertObjectAnnotation(testImage, 'rectangle', bbox, annotation);

figure
imshow(outputImage)

工程文件

https://download.csdn.net/download/XU157303764/89538510

逼子歌
关注
  • 27
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 5
    评论
专栏目录
基于matlab的深度学习案例及基础知识专栏前言
XU157303764的博客
08-16 7874
1.1、matlab:基于模板匹配的车牌识别_阐述基于模板匹配的车牌识别的字符识别-CSDN博客1.2、基于卷积神经网络(CNN)的车牌自动识别系统(matlab)_车牌识别 cnn-CSDN博客 1.3、基于深度学习的线性预测设计(matlab)-CSDN博客 1.4、基于深度学习的自适应线性预测(matlab)_自适应预测算法-CSDN博客 1.5、基于神经网络的训练堆叠自编码器进行图像分类(matlab)_堆叠自动编码器matlab权重初始化-CSDN博客 1.6、基于神经网络拟合函数的体脂估计(ma
基于matlab的深度学习与信号处理汇总
最新发布
XU157303764的博客
08-16 794
内容涵盖深度学习基础知识、深度学习典型案例、深度学习工程文件、信号处理等相关内容，博客由基于matlab的深度学习案例、matlab基础知识、matlab图像基础知识和matlab信号处理基础知识四部分组成。
【停车位检测】K-means算法停车位检测【含Matlab源码 2068期】
Matlab912100926的博客
04-22 609
K-means算法停车位检测 完整代码，直接运行，适合小白！可提供运行操作视频！
【车位预测】极限学习机ELM优化小波神经网络车位预测【含Matlab源码 3170期】
Matlab912100926的博客
08-07 563
极限学习机ELM优化小波神经网络车位预测 完整代码和数据，数据可直接替换，适合小白！可提供运行操作视频！
【优化能耗】基于matlab粒子群算法求解地铁牵引能耗优化问题（列车加速度 速度 运行能耗 停车误差 舒适度）【含Matlab源码 4553期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
05-22 753
粒子群算法求解地铁牵引能耗优化问题（列车加速度 速度 运行能耗 停车误差 舒适度） 完整的代码，方可运行；可提供运行操作视频！适合小白！
【红绿灯识别】基于matlab机器视觉红绿灯识别【含Matlab源码 5127期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
07-17 536
机器视觉红绿灯识别 完整的代码，方可运行；可提供运行操作视频！适合小白！
【车牌识别】基于matlab GUI模板匹配算法停车场出入库车牌识别（含计费）【含Matlab源码 4378期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
04-28 1184
模板匹配算法停车场出入库车牌识别（含计费） 完整的代码，方可运行；可提供运行操作视频！适合小白！
【车牌识别】模拟停车位管理系统【含 GUI Matlab源码 898期】
Matlab912100926的博客
04-29 502
模拟停车位管理系统 完整代码，直接运行，适合小白！可提供运行操作视频！
【车牌识别】模板匹配算法停车场出入库车牌识别（含计费）【含GUI Matlab源码 4378期】
Matlab研究室
04-29 383
模板匹配算法停车场出入库车牌识别（含计费） 完整的代码，包运行；运行操作视频见CSDN资源！适合小白！
基于集成卷积神经网络的交通标志识别.pdf
09-25
实验结果表明，基于集成卷积神经网络的交通标志识别算法的识别率为98.29%，单幅交通标志图像测试时间为1.32ms，对交通标志具有良好的识别性能。 关键词：卷积神经网络、集成学习、批量归一化、支持向量机 本文的...
基于卷积神经网络的GFW加速调度算法.pdf
09-25
【基于卷积神经网络的GFW加速调度算法】 在当前的深度学习领域，卷积神经网络（Convolutional Neural Networks, CNNs）是核心组成部分，广泛应用于图像识别、自然语言处理等多个领域。随着网络结构的复杂性和数据量...
cudnn-11.3-windows-x64-v8.2.1.32.zip
06-15
CuDNN利用GPU的并行处理能力，实现了对卷积神经网络（CNN）、递归神经网络（RNN）和长短期记忆网络（LSTM）等的高效加速。 标签“gpu”进一步强调了CuDNN的核心是GPU优化。在深度学习领域，GPU被广泛用于加速计算...
基于高光谱和MLSR-GA-BP神经网络模型油菜叶片SPAD值遥感估算.pdf
09-25
结果显示，MLSR-GA-BP神经网络模型在所有生育期内表现最佳，其建立模型的决定系数（R²）大于0.77，最高达到0.91，验证模型的R²也超过0.73，最高可达0.92，同时，均方根误差（RMSE）在1.32到3.22之间，相对误差（RE...
一种基于GPU的高性能稀疏卷积神经网络优化.pdf
09-25
卷积神经网络（CNN）是深度学习领域中的关键组成部分，特别是在图像识别和处理任务中表现卓越。然而，随着网络架构的复杂度增加，参数规模急剧增大，导致计算需求激增。为了解决这一问题，研究者们提出了一种基于GPU...
深度学习--模型优化总结
GDHBFTGGG的博客
08-12 781
深度学习模型的优化是一个多层次的过程，涉及到模型架构的设计、超参数的选择、数据处理、训练技巧以及模型调优等多个方面。
【神经网络】
嵌入式行业打工人，不定期更新博客。
08-12 713
神经网络是受生物神经系统启发的一种计算模型，它试图通过模拟大脑中的神经元和突触来解决复杂的计算问题。在机器学习和人工智能领域，神经网络被广泛用于模式识别、分类、回归和其他预测任务。
Attention注意力机制
russwest44的博客
08-13 253
【代码】Attention注意力机制。
Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data精读
weixin_49053303的博客
08-13 400
这项工作介绍了 Depth Anything1，一个高度实用的解决方案，用于稳健的单目深度估计。我们不追求新的技术模块，而是旨在构建一个简单而强大的基础模型，以处理任何环境下的图像。为此，我们通过设计一个数据引擎来收集和自动标注大规模的未标记数据（约6200万），从而显著扩大数据覆盖范围，减少泛化误差。我们探讨了两种简单而有效的策略，使得数据规模的扩大变得有希望。首先，通过利用数据增强工具创建了一个更具挑战性的优化目标，迫使模型积极寻求额外的视觉知识并获取稳健的表征。
GPU加速的稀疏卷积神经网络优化技术
"一种基于GPU的高性能稀疏卷积神经网络优化" 在当前的深度学习领域，卷积神经网络（CNN）是图像处理和特征学习的主要工具，由于其在图像识别和分类等任务上的优越性能，CNN已经成为研究的焦点。随着CNN模型的不断...
评论 5
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

打赏作者

逼子歌

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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