- 博客(4)
- 收藏
- 关注
RSS订阅原创 神经网络与深度学习（第四周）
在独热编码中，每个离散变量的可能取值被映射到一个高维空间中的一个点，在这个点上，对应于该取值的维度值为1，而其他维度的值为0。NeRF（Neural Radiance Fields）最早在2020年ECCV会议上发表，作为Best Paper，其将隐式表达推上了一个新的高度，仅用 2D 的 posed images 作为监督，即可表示复杂的三维场景。判别模型 D 是一个二分类器，估计一个样本来自于训练数据（而非生成数据）的概率，如果样本来自于真实的训练数据，D输出大概率，否则，D输出小概率。
2024-04-28 23:55:58
897
1
原创 神经网络与深度学习（第三周）
比如，把蓝色虚线放到第一张图片下面，也就 是说让系统只识别出最上面的那张飞机图片，那么Precision的值就 是100%，而Recall的值则是20%。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 YOLO v2和以后版本使用了自聚类的anchor box为bb, v2版本为𝐵 = 5, v3中 𝐵 =9。目标检测是一种在图像中识别和定位多个物体的技术。
2024-04-21 23:49:06
593
原创 神经网络与深度学习课程总结（第二周）
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；
2024-04-08 14:53:55
648
原创 神经网络与深度学习（第一周）
更多层感知器网络，可识别更为复杂的图形。多层前馈网络的反向传播 （BP）学习算法，简称BP算法，是有导 师的学习，它是梯度下降法在多层前馈网中的应用。网络结构：见图，𝐮（或𝐱 ）、𝐲是网络的输入、输出向量，神经元 用节点表示，网络由输入层、隐层和输出层节点组成，隐层可一层 ，也可多层（图中是单隐层），前层至后层节点通过权联接。已知网络的输入/输出样本，即导师信号 ➢ BP学习算法由正向传播和反向传播组成： ① 正向传播是输入信号从输入层经隐层，传 向输出层，若输出层得到了期望的输出， 则学习算法结束；
2024-04-01 00:29:01
546
1
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