- 博客(13)
- 收藏
- 关注
RSS订阅原创 深度学习-第G5周：Pix2Pix详解
上篇文章介绍的CGAN是在GAN的基础上，在生成模型及判别模型中添加条件信息来引导模型的训练，实现生成内容可控。Pix2Pix则是在CGAN的基础上，用图像翻译的通用框架，旨在将一个图像的图像域中的图像转化成另一个图像中的图像域的图像。话比较绕，简而言之就是生成模型的输入跟判别模型的输入都是同一个图像+随机噪声z，
2023-10-08 22:35:58
490
3
原创 深度学习-第G3周：CGAN｜生成手势图像
cGAN的中心思想是希望 可以控制 GAN 生成的图片，而不 是单纯的随机生成图片。具体来说，Conditional GAN 在生成器和判别器的输入中 增加了额外的 条件信息，生成器生成的图片只有足够真实 且与条件相符，才能够通过判别器。然而，通过额外的信息对模型进行约束，有可能指导数据生成的过程。条件约束可以是类标签 , 可以是图像修补的部分数据, 甚至是来自不同模态的数据。根据官方的说明：如果CUDA版本为10.2或更高，则少数CUDA操作不确定，除非设置了环境变量。
2023-09-17 02:33:42
387
1
原创 深度学习-第G2周：人脸图像生成（DCGAN）
DCGAN即使用卷积网络的对抗网络，其原理和GAN一样，只是把CNN卷积技术用于GAN模式的网络里，G（生成器）网在生成数据时，使用反卷积的重构技术来重构原始图片。D（判别器）网用卷积技术来识别图片特征，进而做出判别。同时，DCGAN中的卷积神经网络也做了一些结构的改变，以提高样本的质量和收敛速度。
2023-09-10 23:28:17
371
1
原创 深度学习-第G1周：生成对抗网络（GAN）入门
生成对抗网络（Generative Adversarial Network, GAN）是一种通过两个神经网络相互博弈的方式进行学习的生成模型。生成对抗网络能够在不使用标注数据的情况下来进行生成任务的学习。生成对抗网络由一个生成器和一个判别器组成。生成器从潜在空间随机取样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别器的输入则为真实样本或生成器的输出，其目的是将生成器的输出从真实样本中尽可能分别出来。生成器和判别器相互对抗、不断学习，最终目的使得判别器无法判断生成器的输出结果是否真实。
2023-08-24 21:42:58
104
1
原创 深度学习-第J9周：Inception v3算法实战与解析
Inception v3由谷歌研究员Christian Szegedy等人在2015年的论文《Rethinking the Inception Architecture for Computer Vision》中提出。Inception v3是Inception网络系列的第三个版本，它在ImageNet图像识别竞赛中取得了优异成绩，尤其是在大规模图像识别任务中表现出色。对比Inception v1先看Inception v3做了以下改动：①②③完整的框架为。
2023-08-09 21:13:03
426
原创 深度学习-第J8周：Inception v1算法实战与解析
GoogLeNet，也被称为Inception V1网络，由Google公司的研究员在2014年的论文《Going deeper with convolutions》提出。本论文提出了Inception模块，引入并行结构和不同尺寸的卷积核，提取不同尺度的特征，将稀疏矩阵聚合为较为密集的子矩阵，大大提高计算效率，降低参数数量。加入辅助分类器，实现了模型整合、反向传播信号放大。Inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。
2023-08-01 22:06:17
159
原创 深度学习-第J6周：ResNeXt-50实战解析
ResNeXt是由何凯明团队在2017年CVPR会议上提出来的新型图像分类网络。在论文《Aggregated Residual Transformations for Deep Neural Networks》作者提出了当时普遍存在的问题：如何提高模型的准确率？常用的方法是提高网络的深度或宽度，但单纯的提高网络的深度或宽度，加大了设计的难度，也加大了计算的开销。由此何团队设计了的概念。将卷积通道分组，再对分组进行卷积。对比ResNet跟ResNeXt。
2023-07-28 22:40:39
189
1
原创 深度学习-第J5周：DenseNet+SE-Net实战
SE-Net是ImageNet 2017 (lmageNet 收官赛)的冠军模型，是由WMW团队发布。具有复杂度低，参数少和计算量小的优点。且SENet 思路很简单，很容易扩展到已有网络结构如 Inception 和 ResNet 中。已经有很多工作在空间维度上来提升网络的性能，如 nception 等，而 SENet 将关注点放在了特征通道之间的关系上。
2023-07-21 22:16:32
92
1
原创 深度学习-第J4周：ResNet与DenseNet结合探索
上周文章中我们复现了DenseNet算法并与，本文将结合Resnet50算法模型进行初步的对比，我们将继续把DenseNet算法与Resnet50算法的特点结合，并构建一个新的模型框架第J3周/J3-1周：Densenet算法对比及多数据集对比（乳腺癌识别）_quant_day的博客-CSDN博客首先我们再看一下Resnet50算法与DenseNet算法的结构图。
2023-07-09 12:10:58
273
1
原创 深度学习-第J3周/J3-1周：Densenet算法对比及多数据集对比（乳腺癌识别）
在计算机视觉领域，卷积神经网络模型已成为主流模型，何恺明在2015年提出的深度残差网络ResNet把短路连接的概念引入CNN网络，进而训练更深的CNN模型，ResNet模型可以参数上两周的文章，我对比了ResNet与ResNet_V2的模型，发现ResNet_V2模型相对于ResNet模型收敛更快，精度达到的更高深度学习-第J2周：ResNet-50-V2算法_quant_day的博客-CSDN博客。
2023-07-09 10:29:10
175
1
原创 深度学习-第J2周：ResNet-50-V2算法
上周复现了何恺明在2015年提出的深度残差网络ResNet（deep residual network），大神在后来的论文中提到一种全新的残差单元，我们命名为ResNet_V2, 本文将在上周的基础上基于Pytorch实现ResNet_V2模型深度学习-第J1周：ResNet-50算法的Pytorch实现及解析_quant_day的博客-CSDN博客。
2023-07-01 01:22:32
602
原创 深度学习-第J1周：ResNet-50算法的Pytorch实现及解析
深度残差网络ResNet（deep residual network）在2015年由何恺明等提出，因为它简单与实用并存，随后很多研究都是建立在ResNet-50或者ResNet-101基础上完成的。本文实现了在Pytorch框架下的ResNet50算法。参考文章：Deep Residual Learning for Image Recognition.pdf 【何恺明】数据集：./data/bird_photos/...self,
2023-06-23 19:40:39
2116
2
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