![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
CNN
文章平均质量分 74
silent56_th
大学生一枚,对机器学习、图像处理感兴趣,偶尔也会刷刷leetcode或者hihocoder。希望在这里可以和大家多多交流,互相学习。
展开
-
LeNet论文阅读:CNN设计原理
本文是对Yann Lecun大神的经典论文“Gradient-Based Learning Applied to Document Recognition”的阅读笔记之一,主要阐述CNN为什么使用权值共享、降采样以及局部感受野。作者才疏学浅,还望指教。传统的模式识别方法人工设计的特征提取方法+分类器(可以是全连接神经网络) 1.1. 图像–特征提取–>特征–分类器–>数字类别原创 2016-12-01 22:49:54 · 5641 阅读 · 0 评论 -
CS231n课程笔记1:Introduction
CS231n课程简介CS231n是Stanford的CV课程,主要专注于解决图像分类问题。网址为 http://vision.stanford.edu/teaching/cs231n/index.html,视频网上有很多。 作者水平不高,这里也仅仅是自己的课程笔记与大家分享,记录一些课程中的重要知识点,欢迎各路大神指教。从作者收到的风评来看,这门课的水准不高,但因为最近要自己设计训练CNN模型,所原创 2016-12-11 22:43:30 · 2243 阅读 · 0 评论 -
LeNet论文阅读:LeNet结构以及参数个数计算
本文是对Yann Lecun大神的经典论文“Gradient-Based Learning Applied to Document Recognition”的阅读笔记之一,主要介绍LeNet的结构以及参数个数的计算,上一篇博客介绍的CNN设计原理。作者才疏学浅,还望指教。LeNet-5 引用自原论文“Gradient-Based Learning Applied to Document Reco原创 2016-12-04 21:11:31 · 10592 阅读 · 1 评论 -
CS231n作业笔记2.6:卷积层以及池化层的实现
CS231n简介详见 CS231n课程笔记1:Introduction。 本文都是作者自己的思考,正确性未经过验证,欢迎指教。作业笔记就是简单实现一下卷积层以及池化层,唯一的难点在于确定索引值,稍微注意一下就好。1. 卷积层1.1. 前向传播 N, C, H, W = x.shape F, C, HH, WW = w.shape stride = conv_param['stride'原创 2017-01-04 20:53:02 · 960 阅读 · 0 评论 -
CS231n课程笔记7:卷积神经网络入门
CS231n简介详见 CS231n课程笔记1:Introduction。 注:斜体字用于注明作者自己的思考,正确性未经过验证,欢迎指教。课程笔记因为卷积神经网络这个部分涉及繁多,也有不少无法用语言详细解释的细节,所以迟迟没有动笔。这次刚好帮老师做了这部分的PPT,就直接把PPT的部分转化过来,也保留了PPT的逻辑,只能说简单介绍了卷积神经网络,详细的部分会在以后的课程笔记中陆续的补充。 以下内原创 2017-03-19 19:45:54 · 1767 阅读 · 0 评论 -
R-CNN阅读笔记
写CS231n中关于Localization, detection等应用的笔记时,总感觉理解不够深刻,逻辑也不够清晰,所以刷了几篇相关论文。 这篇论文应该算是RBG大神的成名之作,是当年把深度网络应用到detection领域的成功尝试,主要贡献在于证明了CNN特征的优越性以及提供了预训练+微调的模式用于对CNN等深度学习的应用领域进行拓展。博主主要阅读了原论文和tech report,论文的开源原创 2017-05-08 16:09:56 · 654 阅读 · 0 评论