- 博客(5)
- 收藏
- 关注
RSS订阅原创 VGG16网络架构的一些知识点
VGG16的网络架构非常简单明了，使用了堆叠的卷积层和全连接层，并在每个卷积层之后进行池化操作。较多的参数：由于VGG16具有多个卷积层和全连接层，它的参数数量相对较大，导致模型的存储空间和计算成本较高。较小的卷积核：VGG16使用较小尺寸的3x3卷积核进行特征提取，这种设计有助于增加网络的深度和非线性表达能力，提高模型的准确性。有效的参数共享：由于VGG16的卷积层使用相同大小的卷积核，导致参数共享，减少了参数数量，提高了模型的效率和训练速度。添加全连接层：在卷积层之后，添加全连接层用于分类或预测任务。
2023-05-25 10:40:30
1701
1
原创 HED（Holistically-Nested Edge Detection）模型
HED模型通过将多个尺度的图像特征进行融合，从而有效地检测图像中的边缘。具体而言，HED模型通过在CNN中的不同层级提取特征，得到一系列具有不同尺度的特征图。最终，HED模型通过对融合后的特征进行二值化处理，生成图像的边缘预测结果。通过多尺度特征融合，HED模型能够综合利用图像中不同尺度的边缘信息，从而在边缘检测任务中具备更全面的表达能力。这种级联的设计使得模型能够同时考虑不同尺度的特征，进一步提升了边缘检测的能力。较浅的层级提取的特征图通常包含更细粒度的信息，而较深的层级则更关注图像中的全局结构。
2023-05-25 10:15:21
1722
原创 关于HED的一些知识摘录
特征融合（Feature Fusion）：在HED算法中，从编码器的不同层级中获取的特征图会被融合在一起，形成多尺度的特征表示。边缘预测（Edge Prediction）：解码器的最后一层通常是一个卷积层，其输出是一个边缘预测图，其中每个像素表示该位置是否为边缘点。解码器（Decoder）：解码器是一个逐层上采样的过程，用于将融合后的特征图恢复到原始图像的尺寸。解码器通常由卷积层和上采样（反卷积）层组成，逐步恢复特征图的尺寸，并生成与原始图像相同尺寸的边缘预测图。
2023-05-16 14:01:31
580
原创 机器学习入门知识记录
监督学习（Supervised Learning）：在监督学习中，算法通过使用带有标签的训练数据来学习输入和输出之间的映射关系。深度学习（Deep Learning）：深度学习是一种基于多层神经网络的机器学习方法，通过多层非线性变换来学习和提取高层次的抽象特征。半监督学习（Semi-supervised Learning）：半监督学习是介于监督学习和无监督学习之间的一种方法。无监督学习（Unsupervised Learning）：无监督学习是从未标记的数据中发现模式和结构的任务。
2023-05-16 13:59:42
139
1
转载 神经网络相关的一些知识点（搬运）
sigmoid函数的输出介于0和1，我们可以理解为它把 (−∞,+∞) 范围内的数压缩到 (0, 1)以内。我们假设上面的网络里所有神经元都具有相同的权重w=[0,1]和偏置b=0，激活函数都是sigmoid，那么我们会得到什么输出呢？神经网络的输出y=0.524，没有显示出强烈的是男（1）是女（0）的证据。如果我们用这种方法去逐步改变网络的权重w和偏置b，损失函数会缓慢地降低，从而改进我们的神经网络。现在我们已经学会了如何搭建神经网络，现在我们来学习如何训练它，其实这就是一个优化的过程。
2023-05-16 13:47:45
171
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