- 博客(4)
- 收藏
- 关注
RSS订阅原创 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