- 博客(4)
- 收藏
- 关注
原创 深度学习与神经网络课程总结(三)
例如:标准框100*50大小, • 取50*50,50*25,200*50,200*100等不同大小,在面积和宽高比变化 • 假设面积变化3类(0.5,1,2), 宽高比3类(0.5,1,2),则共有9种。YOLO的包围框:我们有 𝑠 2个框,每个框的bb个数为𝐵,分类器可以识别出𝐶种不同的物体, 那么所有整个ground truth的长度为𝑆 × 𝑆 × (𝐵 × 5 + 𝐶) YOLO v1中,这个数量是30。每一个类别均可确定对应的AP,多类的检测中,取每个类AP的平均值,即为mAP。
2024-04-21 17:31:39 654 1
原创 深度学习与神经网络课程总结(二)
后来,ResNeXt, Residual-Attention,DenseNet,SENet等也各有贡献,各自引入了Group convolution,Attention,Dense connection,channelwise-attention等,最终Imagenet上error rate降到了2.2%。对于算的慢问题,可以减少权值连接,每一个节点只连到上一层的少数神经元,即局部连接网络。CNN的基本思想是用卷积获得图形的特征,一般是用一个3乘3的卷积矩阵,如图所示的卷积矩阵是【1 0 1;
2024-04-07 21:50:12 992
原创 深度学习与神经网络课程总结(一)
1.神经网络是一种模拟人脑神经元连接方式的计算模型,它由多个神经元组成,每个神经元接收输入信号,并通过激活函数决定是否输出信号;而深度学习是神经网络的进阶,利用多个神经网络处理数据,有着更复杂的结构和优化的算法。他们都是机器学习的重要组成部分,用于解决以往的机器学习方法不能处理的非结构化数据。神经网络与深度学习目前瓶颈主要有:(1)需要大量数据标注,这意味着样本的丰富程度较大影响了实验结果,对样本的过度依赖使得深度学习在监督学习上有所不足。
2024-04-01 11:29:32 894
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