深度学习
文章平均质量分 61
赵药师
这个作者很懒,什么都没留下…
展开
-
基元检测-霍夫直线变换原理
假设我们有这样一个分布的数据:我们想用一条直线拟合数据,它的表达式为Y=kX+B关于最小二乘和梯度下降还不知道的可以去看以往的文章,这里就直接介绍霍夫变换了。原创 2024-08-07 20:55:24 · 738 阅读 · 0 评论 -
U2net论文复现-简单解读-以及奇奇怪怪的改进-测试roc以及pr
尽管我们的模型与其他最先进的方法相比取得了优越的结果,但在不久的将来,计算和内存有限的设备(例如手机、机器人等)需要更快和更小的模型,我们将探索不同的技术和架构以进一步提高速度并降低模型大小。此外,需要更大的多样化显着对象数据集来训练更准确和更稳健的模型。原创 2024-08-04 17:07:14 · 917 阅读 · 0 评论 -
MATLAB多元函数梯度下降法找最小值-梯度演示-绘制梯度方向
如果在所有可能的参数值上都是的,则该函数是凸的;函数将呈现为光滑的碗状,使得训练过程相对简单。。沿着梯度方向,函数变化最快。x,y点的更新:x和y每次更新一点点,z根据公式可以计算出一个新的坐标点,但新的z不一定落在f(x,y)上,除非x,y的变化非常非常小。为了演示梯度的方向,我们将变化调大一些。原创 2024-07-29 19:55:21 · 474 阅读 · 0 评论 -
从R-CNN到Faster-R-CNN的简单介绍
R-CNN中含有回归器,SVM,CNN,道路Faster中只有CNN了,回归器和分类器被接到了全连接层后面,到了FasterR-CNN,把SS算法换成了RPN,可以享受到GPU的加速,效果更快。原创 2024-07-24 15:37:59 · 318 阅读 · 0 评论 -
图像分割-编码解码网络的训练-kreas实现
纯手工打造一个函数用来加载数据,数据分别为image和mask我们所需要的类型:(B数量,长,宽,通道数),只要将数据加载成这样并mask和image对应就行。原创 2024-07-09 20:04:07 · 388 阅读 · 0 评论 -
Matlab手搓线性回归-非正规方程法
原理:wx+b,x是输入,求得的结果与真实值y求均方误差。生成100个数据,并添加随机噪声。参数更新,梯度下降法(批量梯度下降)迭代1000次后的结果。原创 2024-07-08 21:12:37 · 221 阅读 · 0 评论 -
深度学习编码解码结构-以及kreas简单实现
图像分割中的编码解码结构(Encoder-Decoder Model)是一种广泛应用的网络架构,它有效地结合了特征提取(编码)和分割结果生成(解码)两个过程。原创 2024-07-08 18:31:08 · 464 阅读 · 0 评论 -
Pointnet学习以及对代码的实现
由于点云不是常规数据格式,通常将此类数据转换为规则的 3D 体素网格或图像集合,然后再用神经网络进行处理。数据表示转换使生成的数据过于庞大。PointNet是第一个直接处理原始点云的方法。只有全连接层和最大池化层,PointNet网络在推理速度上具有强大的领先优势,并且可以很容易地在CPU上并行化。原创 2024-06-02 23:40:08 · 954 阅读 · 0 评论 -
最小二乘法-超详细推导(转换为矩阵乘法推导,矩阵求导推导)
最小二乘法就是让均方误差最小。如何让其最小,。答:因为使用的是均方误差,他是一个凹函数,导数为0的点即为最小值和极小值。建议学习一下线性代数。原创 2024-05-26 15:00:30 · 763 阅读 · 1 评论 -
CBMA论文复现:SE注意力机制
SE注意力机制(Squeeze-and-Excitation Attention)是一种基于特征通道的注意力机制,用于加强网络对不同特征通道的关注度,从而提高网络的性能。其核心思想是通过学习一个表示通道间关系的注意力权重向量,将通道间的信息进行重新分配,从而增强网络对重要特征通道的关注度。原创 2024-05-24 00:06:53 · 828 阅读 · 0 评论 -
在手写数字识别中加入-CBMA-空间注意力机制-通道注意力机制
Excitation(激励):使用一个或多个全连接层(通常是瓶颈结构,即先降维再升维)对这个压缩后的向量进行处理,以生成一个和输入特征图通道数相同的权重向量。这个权重向量中的每个元素表示对应通道的注意力权重,值越大表示该通道越重要。这个向量具有和输入特征图相同的通道数,但每个通道只有一个值,这个值可以看作是对应通道的特征图的全局平均描述。Scale(缩放):将激励步骤得到的权重向量与原始输入特征图进行逐通道相乘,实现对原始特征图的重新加权。这样,网络就能够更加关注重要的特征通道,而忽略不重要的通道。原创 2024-05-24 12:01:01 · 806 阅读 · 0 评论 -
pointnet网络
点云特征提取器负责从每个点中提取局部特征,而全局特征聚合器则将这些局部特征整合成全局特征,用于最终的分类或回归任务。具体来说,点云特征提取器通过多层感知机(MLP)对每个点的坐标和其他信息进行非线性变换,从而提取出更具代表性的特征。与传统的二维图像数据不同,三维点云数据由一系列无序的空间点组成,每个点包含了空间坐标和其他可能的信息(如颜色、强度等)。PointNet网络通过一种全新的方式来处理这种无序数据,实现了对点云数据的有效学习和识别。相对其他复杂的3D卷积网络,PointNet的参数少,训练更快;原创 2024-05-22 17:46:26 · 293 阅读 · 0 评论 -
图注意力网络到底讲了什么(草履虫都能看得懂)
假设我们有四个数据同时这些样本直接具有联系,我们使用图和邻接矩阵给出它们的联系。我们都知道注意力机制会得到注意力系数。代表每个样本之间的相似性。这个时候需要利用前面的来。原创 2024-05-21 22:45:51 · 453 阅读 · 0 评论 -
点积计算方式
cosθ中的θ 就是2个向量之间的夹角,θ 可以反应2个向量的相似度,当θ =0时,两个向量重合,长度不同,方向相同。当对向量进行归一化后,||a||=1,||b||=1,可以化简为。原创 2024-05-21 11:05:39 · 208 阅读 · 0 评论 -
卷积神经网络-卷积核参数是怎么更新的
卷积神经网络反向传播更新卷积核参数 简单数学推导,基础为链式求导以及求偏导原创 2024-05-19 11:09:46 · 515 阅读 · 1 评论 -
全连接神经网络—数学公式原理图解加实现
在tensorflow中,如果实现的方式和上述差不多,只不过图像进过。如果用python实现上述函数,最好使用2个矩阵进行相乘,转化为。打分函数,给猫打分,那么就有2个函数了。如果还有其他的类别,可以继续加入。假如我们现在还想再加入一个。,得出的分数代表这张。原创 2024-05-04 18:46:30 · 219 阅读 · 1 评论