- 博客(5)
- 收藏
- 关注
RSS订阅原创 深度学习——目标检测
深度学习目标检测，这一计算机视觉领域的热门任务，正以其出色的表现，重塑着我们对图像和视频内容的理解。它犹如一位敏锐的观察者，能够从复杂的图像数据中识别出各类目标，无论是人脸、物体还是场景，都难逃它的“法眼”。在众多精妙的算法中，R-CNN、YOLO、SSD和Faster R-CNN无疑独树一帜。它们借助深度神经网络的力量，通过卷积和池化操作，挖掘图像中的特征，赋予了我们解读图像的新方式。其中，R-CNN系列算法以其精细的分类能力，准确识别出各类目标，尽管运算速度相对较慢，却为我们提供了高精度的检测结果；
2023-11-17 15:51:46
232
原创 深度学习图像卷积
深度学习中的图像卷积是一种重要的操作，通常用于卷积神经网络（CNN）中。卷积操作可以将一个卷积核在输入图像上滑动并计算每个位置的卷积结果。卷积核是一个小的矩阵，通常为正方形，用于捕获图像中的某些特征，例如边缘、纹理或颜色。在卷积操作中，卷积核被平铺在输入图像的每个位置上，然后将卷积核中的权重与图像中重叠的像素值相乘，然后将结果相加。这个过程可以看做是在图像中抽取出与卷积核匹配的特征，并将其输出到下一层。卷积运算可以通过交替应用卷积和池化（Pooling）层来构建CNN。
2023-11-08 14:17:54
146
原创 深度学习总结
感知机是一种二元线性分类模型，由美国学者Frank Rosenblatt在1957年提出来的。它是作为神经网络（深度学习）的起源的算法之一，也是学习通向神经网络和深度学习的一种重要思想。感知机接收多个输入信号，输出一个信号。这里所说的“信号”可以想象成电流或河流那样具备“流动性”的东西。像电流流过导线，向前方输送电子一样，感知机的信号也会形成流，向前方输送信息。但是，和实际的电流不同的是，感知机的信号只有“流/不流”（1/0）两种取值。x1、 x2是输入信号，y是输出信号， w1、 w2是权重。
2023-11-06 14:29:55
35
1
原创 深度学习总结
线性回归适用于回归问题，输出是一个连续值，如预测房屋价格、气温、销售额等连续值的问题。在训练好模型后，可以预测每个输出类别的概率，通常把预测概率最大的类别作为输出类别。而分类问题输出的是多个值，输出i就代表将结果预测为i的置信度。深度学习是一种机器学习方法，它通过构建多层神经网络来模拟人脑的工作方式，从而实现对数据的高效处理和分析。2. 深度学习的核心是反向传播算法，它可以自动计算神经网络中每个参数的梯度，从而实现网络的训练。5. 深度学习的发展离不开大数据和强大的计算能力，如GPU加速等技术的发展。
2023-11-03 14:05:27
59
原创 机器学习总结
最近二十年，机器学习为我们带来了自动驾驶汽车、实用的语音识别、高效的网络搜索，让我们对人类基因的解读能力大大提高。当今机器学习技术已经非常普遍，我们很可能在毫无察觉情况下每天使用几十次。许多研究者还认为机器学习是人工智能（AI）取得进展的最有效途径。机器学习是一种通过算法和模型来让计算机自动学习和改进的技术，它已经广泛应用于各个领域，如自然语言处理、图像识别、智能推荐等。本次总结旨在回顾机器学习的基本概念和常见算法，包括监督学习、无监督学习、半监督学习等，以及深度学习等新兴技术。
2023-11-01 19:37:40
51
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