![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习-图片分类
文章平均质量分 97
CarNong_Blog
这个作者很懒,什么都没留下…
展开
-
【深度学习-图像分类】03 - VGG 论文学习与总结
这篇论文探讨了在大规模图像识别任务中,卷积神经网络(ConvNets)深度对其准确性的影响。作者的主要贡献是对不断增加深度的网络进行了全面评估,这些网络使用了非常小的(3x3)卷积滤波器。研究发现,通过将网络深度增加到16到19层,可以显著提高性能,超越了之前的艺术水平配置。(通过卷积神经网络的加深可以显著提高性能)这些发现是作者在2014年ImageNet挑战中提交作品的基础,他们的团队在定位和分类跟踪中分别获得了第一和第二名。原创 2023-12-29 16:01:40 · 1430 阅读 · 0 评论 -
【深度学习-图像分类】02 - AlexNet 论文学习与总结
这种架构中包含了一些重要的深度学习概念,如ReLU激活函数、最大池化、丢弃(dropout)和数据增强等,这些都有助于网络在图像分类任务中取得良好的性能。:这一层使用96个11x11大小的卷积核(或滤波器),步长为4,这意味着滤波器在输入图像上滑动时每次移动4个像素。:接着是一个256核的5x5卷积,步长为1,并且填充(padding)设置为2,以保持尺寸为27x27。:接下来是三个卷积层,它们都使用384个3x3大小的卷积核,步长为1,最后一个卷积层后面没有池化层。原创 2023-12-29 15:14:30 · 1249 阅读 · 0 评论