2021-5-20 ALEXNET重点

最新推荐文章于 2024-11-05 19:03:03 发布
最新推荐文章于 2024-11-05 19:03:03 发布
阅读量91 收藏
点赞数
分类专栏： CV学习分享 文章标签： 计算机视觉
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/aqwy1996822/article/details/117084806
版权

介绍

2012年诞生

第一个深度学习 分类网络

结构

5卷积层

3全连接层

relu

LRN局部响应归一化（类似于神经中的侧抑制）（被VGG证明没啥用）

Overlapping Pooling

softmax

训练技巧

交叉熵损失函数

随机裁剪缩放、翻转

droupout（训练时依概率使一部分神经元失活，训练时结果乘以失活概率）

 

aqwy1996822
关注
专栏目录
ICLR2021-2：ARE GRAPH CONVOLUTIONAL NETWORKS FULLY EXPLOITING THE GRAPH STRUCTURE
qq_36618444的博客
10-30 411
第二篇盲审的论文，这篇可能相比别的中的希望不是很大？哈哈哈，我猜的啦。 为了利用远距离的依赖信息，本文采取了四种不同的图结构信息注入的方式，并利用它们来分析长期依赖关系的重要性。提出了一种新的正则化技术，基于带重新启动的随机游走方法，称为RWRReg，它鼓励网络将远程信息编码为节点嵌入。长期结构信息的缺乏极大地影响了最新模型的性能，而RWRReg利用的长期信息使所有考虑的任务的平均精度提高了5%以上。 Contribution 估了在图结构上注入的不能被2或3跳社区捕获的信息是否对几个最先进的GCN模型的性
Two-Step-Quantization-AlexNet:AlexNet上的两步量化
05-09
AlexNet上的两步量化这是的演示。用法： 将源文件复制到caffe的目录中，然后构建caffe。 下载。 ./build/tools/caffe test -model test_2_ternary.prototxt -weights caffe_2_ternary.caffemodel -iterations 1000 -...
Tensorflow 模型量化 （Quantizing deep convolutional networks for efficient inference: A whitepaper 译文）
edmond999的专栏
09-24 1187
最近Tensorflow官方发布了一份《Quantizing deep convolutional networks for efficient inference》白皮书，共36页，讲解了基于Tensorflow的模型量化的有关知识。由于最近也在学习模型量化这部分工作，所以计划对这份文档翻译一下，同时share给大家。由于工作时间所限，我尽量每天翻译一些，如果有误解的地方，也请大家批评指正。 ...
【2021-4-2】手动码出AlexNet，基于tensorflow(2.主网络模块)
empirethird的博客
04-02 100
import tensorflow as tf import numpy as np ''' 实现一个AlexNet类 方法： def build_net 建立神经网络 def make_sort 对于一个输入的图片，矩阵化并分类 def learn 从data_cannel中读取强化后的图片，进行梯度训练 成员变量：(先这几个) :self.LR 训练速度 :self.DP Dp层的DP率 :self.n_classes Label的种类数 ''' class AlexNet(): def _
Grad-CAM-for-AlexNet-to-explain-the-reason-of-classification
09-05
Grad-CAM-for-AlexNet-to-explain-the-reason-of-classification-main
Python实现卷积神经网络LeNet-5和AlexNet训练与识别.zip
09-01
使用 torch 的 nn.Module 类的派生，可以编写 LeNet5 的结构如下：其中调用 nn.Conv2d()函数进行卷积层设置，用 nn.Linear()函数进行全连接操作。在正向传导的过程中，规定了两次池化，使用 F.max_pool2d 函数。每一...
tfAlexNet-master.zip_AlexNet网络_alexnet_alexnet tensorflow_tensor
07-15
2. **卷积层**: AlexNet有5个卷积层，每个层都配有ReLU激活函数，用于提取图像特征。这些层的滤波器大小、数量和步长各不相同，例如第一层有96个11x11的滤波器，步长为4。 3. **池化层**: 使用2x2的最大池化窗口，...
Pytorch CIFAR-10分类（AlexNet）.ipynb
10-02
Pytorch CIFAR-10分类（AlexNet）
YOLOv8实战人脸口罩识别
weixin_40280870的博客
11-05 656
本文采用YOLOv8作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv8以其高效的实时检测能力，在多个目标检测任务中展现出卓越性能。本研究针对人脸口罩数据集进行训练和优化，该数据集包含丰富的人脸口罩图像样本，为模型的准确性和泛化能力提供了有力保障。通过深度学习技术，模型能够自动提取人脸口罩的特征并进行分类识别。PyQt5界面设计简洁直观，便于用户操作和实时查看检测结果。本研究不仅提高了人脸口罩识别的自动化水平，还为医疗系统的构建提供了有力支持，具有重要的理论应用价值。
＜项目代码＞YOLOv8 夜间车辆识别＜目标检测＞
qq_53332949的博客
10-29 607
YOLOv8 夜间车辆识别项目代码
《YOLO 目标检测》—— YOLO v4 详细介绍
weixin_73504499的博客
11-01 1266
YOLO v4（You Only Look Once version 4）是一种先进的目标检测系统，于2020年推出，是对之前版本YOLO的改进。YOLOv4基于深度卷积神经网络，能够高精度实时检测图像中的目标。
(2024.11.5)亚博树莓派5部署yolov8目标检测
qq_64919823的博客
11-05 472
我使用的是亚博树莓派5，官方已经在其SD卡中下载好最新的系统，
LLM | 论文精读 | CVPR | SelTDA：将大型视觉语言模型应用于数据匮乏的视觉问答任务
m0_62716099的博客
11-02 1651
本文提出了SelTDA（Self-Taught Data Augmentation）方法，用于在数据稀缺的视觉问答（VQA）任务中增强大规模视觉语言模型（VLM）的性能。SelTDA通过教师模型生成图像的伪标签（问题和答案），然后用这些标签对学生模型进行训练，实现了在无需额外人工标注的情况下扩充数据集。该方法主要包括教师模型训练、伪标签生成和学生模型微调三个步骤。实验结果表明，SelTDA不仅提升了模型在数据稀缺任务中的表现，还显著增强了其跨领域泛化能力和数值推理能力。
计算机视觉实验三：图像分割
m0_64146991的博客
11-05 812
（2）相应的矩阵为：rh = [0 1；) 用Matlab语言（或其它语言），编写Canny边缘检测器的Matlab（或其它语言）函数（根据公式设计代码，不使用自带的canny函数）；使用LoG (拉普拉斯-高斯)算子进行内容(1)（2）中的全部步骤。提示2：注意调节噪声的强度以及LoG (拉普拉斯-高斯)算子的参数，观察处理结果。通过实验体会一些主要的分割算子对图像处理的效果，以及各种因素对分割效果的影响。在函数中使用'prewitt'和'roberts'的过程，类似于使用sobel边缘检测器的过程。
【零售和消费品＆存货】快递包裹条形码与二维码识别系统源码＆数据集全套：改进yolo11-RFCBAMConv
m0_74341485的博客
11-02 1117
本项目数据集信息介绍本项目所使用的数据集名为“qqr4j”，旨在为改进YOLOv11的快递包裹条形码与二维码识别系统提供高质量的训练数据。该数据集专注于两个主要类别的识别任务，分别是“Barcode”（条形码）和“qrcode”（二维码），总类别数量为2。这一设计使得数据集能够涵盖快递包裹中常见的标识符，进而提高系统在实际应用中的识别准确性和效率。“qqr4j”数据集的构建过程经过精心设计，确保了数据的多样性和代表性。
【AI】【提高认知】卷积神经网络：深度学习与计算机视觉的核心驱动力
每日出拳老爷子的博客
11-05 162
卷积神经网络（Convolutional Neural Networks, ConvNets）尽管在近年来成为人工智能领域的一个重大突破，其实它的起源可以追溯到20世纪80年代，由法国计算机科学家杨立昆提出。杨立昆被誉为"ConvNets之父"，作为纽约大学的终身教授，同时也是深度学习三巨头之一，杨立昆为ConvNets的发展奠定了基础，并将它带入了人工智能和计算机视觉的核心位置。
计算机视觉-显著性检测实验报告
qq_55882840的博客
11-01 751
例如，通过将显著图二值化，与人工标注的显著区域进行比较，计算准确率（正确检测为显著的像素占检测为显著的像素总数的比例）和召回率（正确检测为显著的像素占实际显著像素总数的比例），进而绘制准确率 - 召回率曲线。3.基于最小方向对比度的显著性检测是一种用于图像处理的技术，其核心思想是通过计算每个像素点在其周围局部区域内的方向对比度来确定该像素点的显著性。可以考虑这个像素或者超像素周围的这样一个邻域：其内部各像素应当具有比较相似的颜色或灰度(内部差别小)，但其总体又与其外部有明显不同的外观(内外差别大)。
yolov8涨点系列之引入CBAM注意力机制
最新发布
zhang1379的博客
11-05 775
yolov8涨点系列之引入CBAM注意力机制
YoloV8改进策略：上采样改进：CARAFE：轻量级上采样|即插即用|附改进方法+代码
m0_47867638的博客
11-04 1445
https://arxiv.org/pdf/1905.02188 特征上采样是许多现代卷积网络架构（例如特征金字塔）中的关键操作。其设计对于诸如目标检测和语义/实例分割等密集预测任务至关重要。在本文中，我们提出了内容感知特征重组（CARAFE），这是一种通用、轻量级且高度有效的算子，以实现这一目标。CARAFE具有几个吸引人的特性：（1）大视野。与仅利用子像素邻域的前期工作（例如双线性插值）不同，CARAFE可以在大感受野内聚合上下文信息。（2）内容感知处理。与对所有样本使用固定核（例如反卷积）不同，CAR
caffe --module=caffe.alexnet
06-02
`caffe --module=caffe.alexnet` 命令用于使用 Caffe 框架内置的 AlexNet 模型进行训练或测试。AlexNet 是一个经典的深度卷积神经网络模型，由 Alex Krizhevsky 等人在 2012 年 ImageNet 大规模视觉识别竞赛 (ILSVRC...
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