![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 60
狂奔的菜鸡
知行合一,格物致知。
展开
-
精读:Deep Industrial Image Anomaly Detection: A Survey
在本文中,提供了一个文献回顾图像异常检测在工业制造业,关注监督方式,神经网络结构,数据集的类型和属性和评价指标。描述了来自工业制造的新设置,回顾了提出的新设置中当前的IAD算法,还深入研究了哪些网络架构设计可以显著提高异常检测性能,我们强调了图像异常检测的几个令人兴奋的未来研究方向。翻译 2023-02-24 11:34:21 · 1617 阅读 · 2 评论 -
翻译:Tree Energy Loss: Towards Sparsely Annotated Semantic Segmentation
目录摘要介绍方法描述:(1)树亲和生成(2)级联过滤生成伪标签(3)为未标记的像素分配伪标签文章地址:Tree Energy Loss: Towards Sparsely Annotated Semantic Segmentation摘要 稀疏注释语义分割(SASS)的目的是训练一个具有粗粒度(即点、涂鸦和块)监督的分割网络,每幅图像中只有一小部分像素被标记。 在本文中,我们提出了一种新的树能原创 2022-04-22 14:30:10 · 923 阅读 · 0 评论 -
细粒度车型识别项目(基于DenseNet, 数据集Stanfordcars-196,准确率:95.00%)
细粒度车型识别项目基于DenseNet, 数据集Stanford cars-196,准确率:95.00%目前已被 《智能系统学报》录用知网地址:陈立潮,朝昕,潘理虎,曹建芳,张睿.基于部件关注DenseNet的细粒度车型识别.http://kns.cnki.net/kcms/detail/23.1538.TP.20210622.1126.006.html.GitHub地址:https://github.com/0chaoxin1/Car_recogniztion_DenseNet...原创 2021-07-06 23:24:50 · 1224 阅读 · 3 评论 -
神经网络参数的计算
在神经网络中参数量如何计算呢卷积层: 参数量 = 核高×\times×核宽×\times×核通道数×\times×输入通道数+偏置全连接层: 参数量 = 全连接层神经元数×\times×输入通道数+偏置BN层: 参数量 = 2(平移因子,缩放因子)×\times×输入通道数池化层:  原创 2021-04-07 16:56:16 · 1473 阅读 · 0 评论 -
CNN中的感受野(Receptive Field)
感受野:卷积神经网络每一层输出的特征图(feature map)上的像素点在输入图片上映射的区域大小。再通俗点的解释是,特征图上的一个点对应输入图上的区域。原创 2020-10-11 09:34:22 · 517 阅读 · 0 评论 -
SAD(自我注意力蒸馏):Learning Lightweight Lane Detection CNNs by Self Attention Distillation
自我注意力蒸馏来自文章(链接):Learning Lightweight Lane Detection CNNs by Self Attention Distillation 项目地址:Codes-for-Lane-Detection 说到蒸馏,可能想到最多的就是知识蒸馏、注意力蒸馏,他们三者关系是什么? &nb原创 2020-09-09 15:42:48 · 6075 阅读 · 3 评论