![](https://img-blog.csdnimg.cn/20190927151026427.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
论文阅读笔记
论文阅读
njl_0114
学习 学习 学学习
展开
-
VGGNet论文笔记翻译+重点
本文研究了卷积网络深度在大规模的图像识别环境下对准确性的影响,主要贡献是使用非常小的(3×3)卷积滤波器架构对网络深度的增加进行了全面评估,这表明通过将深度推到16-19加权层可以实现对现有技术配置的显著改进。随着ConvNets(卷积神经网络)在计算机视觉领域越来越商品化,为了达到更好的准确性,已经进行了许多尝试来改进最初的架构。 1、提交使用更小的感受窗口尺寸和更小的第一卷积层步长。 2、改进措施在整个图像和多个尺度上对网络进行密集地训练和测试。 3、本文,解决了ConvNet架构设计原创 2020-09-16 12:37:32 · 330 阅读 · 0 评论 -
AlexNet
dropout变相的减少了网络训练的参数原创 2020-09-08 15:23:08 · 71 阅读 · 0 评论 -
01 LeNet-5论文笔记-Gradient-Based Learning Applied to Document Recognition
自从 早期的模式识别,它已经知道 ,自然数据的可变性和丰富,无论是语音,符号,或其他类型的模式,使它几乎不可能建立一个准确的识别系统完全手工。因此,大多数模式识别系统都是使用自动学习技术和手工制作算法的结合来建立的。识别单个模式的通常方法是将系统划分为两个主要模块,如图1所示。第一模块,称为特征提取器转换输入模式,这样他们可以用lowdimensional枸量或短字符串的符号(a)可以很容易地匹配或相比,和(b)是相对不变的对输入模式的转换和扭曲,不改变自, 己的本质。特征提取器包含了大部原创 2020-08-14 14:29:48 · 556 阅读 · 0 评论