Convolution

TensorFlow-2: 用 CNN 识别数字

关于CNN，可以看这篇：图解何为CNN简单看一个典型的DeepCNN由若干组Convolution－ReLU－Pooling层组成。
aliceyangxi1987·2017-04-26 10:00

Caffe源码解读（十）：Caffe五种层的实现和参数配置

map：就是一张图像经过一个卷积核之后的图像layer{name:"conv2"type:"Convolution"bottom:"pool1"top:"conv2"param{lr_mult:1#学习
August26_cwx·2017-04-21 01:23

反卷积(Transposed Convolution, Fractionally Strided Convolution or Deconvolution)

反卷积（Deconvolution）的概念第一次出现是Zeiler在2010年发表的论文Deconvolutionalnetworks中，但是并没有指定反卷积这个名字，反卷积这个术语正式的使用是在其之后的工作中(Adaptivedeconvolutionalnetworksformidandhighlevelfeaturelearning)。随着反卷积在神经网络可视化上的成功应用，其被越来越多的工
think0713·2017-04-01 10:01

Keras上实现卷积神经网络CNN

概述及完整代码本例的代码主要来自Keras自带的example里的mnist_cnn模块，主要用到keras.layers中的Dense,Dropout,Activation,Flatten模块和keras.layers中的Convolution2D
marsjhao·2017-03-30 17:36

Caffe 学习笔记（视觉层（Vision Layers)及参数）

所有的层都具有的参数，如name,type,bottom,top和transform_param请参看我的前一篇文章：Caffe学习笔记（数据层及参数）本文只讲解视觉层（VisionLayers)的参数，视觉层包括Convolution
AndyCao9527·2017-03-22 10:10

DL学习笔记【17】nn包中的各位Convolutional layers

ifyoucan'texplainitsimply,youdon'tunderstanditwellenough.参考文章：https://github.com/torch/nn/blob/master/doc/convolution.md
Sun7_She·2017-03-18 21:03

ECO: Efficient Convolution Operators for Tracking视频目标跟踪论文笔记（PPT版）

论文标题：ECO:EfficientConvolutionOperatorsforTracking论文主页：http://www.cvl.isy.liu.se/research/objrec/visualtracking/ecotrack/index.html作者：MartinDanelljan等发表会议：CVPR2017（目前的状态为已录用）关键概念：①因式分解卷积FactorizedConvo
越野者·2017-03-17 13:49

GoogLeNet计算过程

:Input:10x3x224x224按照我们的要求将数据集reshape成我们期望的格式，即3channel,height224,width224，一次处理10张（暂且按一张处理）Layer17x7convolution7x7
YankeeWann·2017-03-08 08:25

CNN详解（卷积层及下采样层）

1、卷基层（Convolution）关于卷积层我们先来看什么叫卷积操作：下图较大网格表示一幅图片，有颜色填充的网格表示一个卷积核，卷积核的大小为3*3。
二娃的千里眼·2017-03-06 09:41

mxnet由resnet换向alexnet时候出现问题

importmxnetasmxdefget_symbol(num_classes,**kwargs):input_data=mx.symbol.Variable(name="data")#stage1conv1=mx.symbol.Convolution
AllyLi0022·2017-03-01 15:56

FCN网络中使用的caffe类型层汇总--Convolution/Deconvolution/Crop/Eltwise/SoftmaxWithLoss

其中不但有经典神经网络所使用的Convolution(卷积)操作，还包括Deconvolution、Crop、Eltwise操作。将其整理如下：1.Crop层:主要作用是进行裁切。
Michael_liangliang·2017-02-13 14:31

Term 1 Welcome & Anaconda

·ConvolutionalNeuralNetwork【neutral:中立的、非颜色的;convolution:回旋、盘旋】卷积神经网络(CNN||ConvNet)atypeoffeedforwardartificialneuralnetwork
Evvoque·2017-02-12 10:09

最容易理解的对卷积(convolution)的解释

啰嗦开场白读本科期间，信号与系统里面经常讲到卷积(convolution)，自动控制原理里面也会经常有提到卷积。硕士期间又学了线性系统理论与数字信号处理，里面也是各种大把大把卷积的概念。
bitcarmanlee·2017-01-25 15:49

卷积神经网络CNN（5）—— Dilated Convolution

introduction参考：Multi-ScaleContextAggregationbyDilatedConvolutions在CNN中，Convolution与Pooling可谓最佳搭档，密不可分
Fate_fjh·2016-12-29 21:09

图像处理中滤波（filtering）与卷积（convolution）的区别

图像处理中滤波和卷积是常用到的操作。很多人认为卷积就是滤波，两者并无区别，其实不然。两者在原理上相似，但是在实现的细节上存在一些区别。这篇博文主要叙述这两者之间的区别。1、滤波简单来说，滤波操作就是图像对应像素与掩膜（mask）的乘积之和。比如有一张图片和一个掩膜，如下图：那么像素(i,j)的滤波后结果可以根据以下公式计算：其中G(i,j)是图片中(i,j)位置像素经过滤波后的像素值。当掩膜中心m
haoji007·2016-12-28 18:39

VGG Convolutional Neural Networks Practical（1）convolution

VGG卷积神经网络实践卷积神经网络是可应用于许多计算机视觉问题的可学习表示的重要类别。特别地，深CNN由多个处理层组成，每个处理层涉及线性和非线性算子，以端对端的方式联合地学习以解决特定任务。这些方法现在是用于从视听和文本数据中提取特征的主要方法。这个实践探讨了学习（深度）CNN的基础。第一部分介绍典型的CNN构造块，例如ReLU单元和线性滤波器，特别强调理解反向传播。第二部分研究学习两个基本的C
furuiyang_·2016-12-19 13:16

Faster-Rcnn中RPN（Region Proposal Network）的理解

在实际使用中，pool层后增加了一个调整层（convolution,见t
欧西特·2016-12-17 17:22

2.视觉层（Vision Layers)及参数

本文只讲解视觉层（VisionLayers)的参数，视觉层包括Convolution,Pooling,LocalResponseNormalization(LRN),im2col等层。
Jfei·2016-11-27 18:56

#DeepLearningBook#算法概览之四：CNN特辑

一、什么是Convolution打比方说我们有一个小车在一块木板上运动。还有一个超声波传感器对这辆小车来测距，但是这个传感器带有误差。我们在某一个特定时间点t测得的结果不一定准确。
咸鱼酱·2016-11-21 15:33

caffe如何自定义网络以及自定义层（python）（一）

首先默认caffe已经安装好，我们长话短说，先定义一个最简单的网络conv.protxtname:"convolution"i
langb2014·2016-11-08 14:19

CNN在中文文本分类的应用

论文Convolution
zbc1090549839·2016-11-06 17:00

百度笔试--计算机视觉算法工程师

2.Convolution、pooling、Normalization是卷积神经网络中十分重要的三个步骤，分别简述Convolution、pooling和Normalization在卷积神经网络中的作用
herhero·2016-10-22 20:40

卷积神经网络与caffe Convolution层及参数设置

卷积神经网络(ConvolutionalNeuralNetwork,CNN)是深度学习技术中极具代表的网络结构之一，在图像处理领域取得了很大的成功，在国际标准的ImageNet数据集上，许多成功的模型都是基于CNN的。CNN相较于传统的图像处理算法的优点之一在于，避免了对图像复杂的前期预处理过程（提取人工特征等），可以直接输入原始图像。图像处理中，往往会将图像看成是一个或多个的二维向量，如MNIS
Coooooooooooooder·2016-10-22 09:14

TensorFlow学习笔记（3）----CNN识别MNIST手写数字

CNN包含的主要操作：convolution和pooling在TF中都有对应的函数，直接构建网络即可。CNN的具体介绍很多，这里不再赘述。
海上的独木舟·2016-09-01 20:21

TensorFlow学习笔记（3）----CNN识别MNIST手写数字

CNN包含的主要操作：convolution和pooling在TF中都有对应的函数，直接构建网络即可。CNN的具体介绍很多，这里不再赘述。
PhDat101·2016-09-01 20:00

图像处理中滤波（filtering）与卷积（convolution）的区别

图像处理中滤波和卷积是常用到的操作。很多人认为卷积就是滤波，两者并无区别，其实不然。两者在原理上相似，但是在实现的细节上存在一些区别。这篇博文主要叙述这两者之间的区别。1、滤波（或者叫相关）简单来说，滤波操作就是图像对应像素与掩膜（mask）的乘积之和。比如有一张图片和一个掩膜，如下图：那么像素(i,j)的滤波后结果可以根据以下公式计算：其中G(i,j)是图片中(i,j)位置像素经过滤波后的像素值
VickyD1023·2016-08-30 23:47

深度学习caffe平台--train_val.prototxt文件中视觉层（Vision Layers)层及参数详解

所有的层都具有的参数，如name,type,bottom,top和transform_param请参看前一篇文章本文只讲解视觉层（VisionLayers)的参数，视觉层包括Convolution,Pooling
liuweizj12·2016-08-08 16:00

使用CNN模型来测试Kaggle入门比赛

LayerTypeChannelsSizeResultChannelsInput120x20Convolution323x320x20x32
CY_TEC·2016-08-06 10:55

使用CNN模型来测试Kaggle入门比赛

LayerTypeChannelsSizeResultChannelsInput120x20Convolution323x320x20x32
CY_TEC·2016-08-06 10:00

CV/ML/DL关键词汇中英文对照

前向输送Feedforward反向传播Backpropagation部分联通网络LocallyConnectedNetworks连接区域ContiguousGroups视觉皮层VisualCortex卷积Convolution
lanxueCC·2016-07-20 08:00

（Paper）Network in Network网络分析

mounty_fsc/article/details/51746111《NetworkinNetwork》论文笔记1.综述这篇文章有两个很重要的观点：1×1卷积的使用文中提出使用mlpconv网络层替代传统的convolution
沤江一流·2016-06-23 20:27

caffe各层介绍

1.VisionLayers1.1卷积层(Convolution)类型：CONVOLUTION例子layers{name
ZhikangFu·2016-06-21 17:52

caffe各层介绍

1.VisionLayers1.1卷积层(Convolution)类型：CONVOLUTION例子layers{name
ZhikangFu·2016-06-21 17:00

Convolution Neural Network (CNN) 原理与实现

分为以下几部分：1.Convolution（卷积）2.Pooling（降采样过程）3.
dulingtingzi·2016-06-05 22:44

梳理caffe代码base_conv_layer（十八）

base_conv_layer.hpp#ifndefCAFFE_BASE_CONVOLUTION_LAYER_HPP_ #defineCAFFE_BASE_CONVOLUTION_LAYER_HPP_
langb2014·2016-06-01 19:00

UFLDL 11 卷积与池化 convolution pooling

卷积特征convolution之前我们都是用很小的图片来做示范，比如8x8，但是很多图片是很大的，比如是100x100，假设我们需要在隐含层提取100个特征，那么一共需要的参数有100x100x100=
bea_tree·2016-05-11 20:00

going deeper with convolutions （Googlenet网络解读）

http://www.gageet.com/2014/09203.php这个网址已都经把文章翻译好了，这里主要是说两点：1.Googlenet借鉴了networkinnetwork里的多层感知器结构，也就是convolution
l494926429·2016-05-10 20:00

深度学习之二：CNN推导

前面看过了CNN的基本结构，经典的模式如下图： 上图经典的CNN模型主要可以概括为三个部分：convolution层：convolution是将原来的输入向量映射成多个featuremap，每个featuremap
u010223750·2016-05-06 20:00

Caffe学习系列(3)：视觉层（Vision Layers)及参数

所有的层都具有的参数，如name,type,bottom,top和transform_param请参看我的前一篇文章：Caffe学习系列(2)：数据层及参数本文只讲解视觉层（VisionLayers)的参数，视觉层包括Convolution
lien0906·2016-04-26 11:00

李菲菲课程笔记：Deep Learning for Computer Vision – Introduction to Convolution Neural Networks

转载自：http://www.analyticsvidhya.com/blog/2016/04/deep-learning-computer-vision-introduction-convolution-neural-networks
beihangzxm123·2016-04-21 11:39

[置顶] 李菲菲课程笔记：Deep Learning for Computer Vision – Introduction to Convolution Neural Networks

转载自：http://www.analyticsvidhya.com/blog/2016/04/deep-learning-computer-vision-introduction-convolution-neural-networks
qq_26898461·2016-04-21 11:00

caffe layer parameters set ——caffe 层的配置

之后再实践过程中补充每个层的作用1.VisionLayers1.1卷积层(Convolution)类型：CONVOLUTION例子layers{ name:"conv1" type:CONVOLUTION
u010025211·2016-04-19 16:00

TensorFlow人工智能引擎入门教程之三 实现一个自创的CNN卷积神经网络

biases, _dropout):     # Reshape input picture     _X = tf.reshape(_X, shape=[-1, 28, 28, 1])     # Convolution
zhuyuping·2016-04-17 16:00

【UFLDL-exercise9-Convolution and Pooling】

做完了CNN的练习，思想是：在面对比较大的图像时（64*64），如果直接列向量化，维数太高，sparseautoencoder的计算过繁；因此采用的策略是：先从训练集中随机地下采样众多（8*8）的patch，然后学习8*8图像的W矩阵（隐层有400个单元，学习到的矩阵W是400*64的，但是这里视作有400个w矩阵，也就是每个隐层的unit对应一个8*8的矩阵，这样子做是为了便于后面的卷积计算），
qiusuoxiaozi·2016-04-13 20:00

opencv图像处理之图像卷积

WIKI   https://en.wikipedia.org/wiki/Convolution  公式如果忘了话可以看看这个http://open.163.com/movie/2006/1/C/M/M6TUO44DQ_M6TUPUBCM.html
traumland·2016-04-05 14:00

深度学习之deeplearning4j(三)

packageorg.deeplearning4j.examples.convolution; importorg.nd4j.linalg.api.ndarray.INDArray; importorg.nd4j.linal
sihuahaisifeihua·2016-04-02 12:00

深度学习之deeplearning4j(二)

我的电脑配置如下：packageorg.deeplearning4j.examples.convolution; importopenn
sihuahaisifeihua·2016-04-01 12:00

caffe之（一）卷积层

损失计算层等；本篇主要介绍卷积层参考1.卷积层总述下面首先给出卷积层的结构设置的一个小例子（定义在.prototxt文件中） layer{ name:"conv1"//该层的名字 type:"Convolution
tina_ttl·2016-04-01 10:00

2D image convolution（二维图像卷积）

在学习cnn的过程中，对convolution的概念真的很是模糊，本来在学习图像处理的过程中，已对convolution有所了解，它与correlation是有不同的，因为convolution=correlation
tina_ttl·2016-04-01 10:40

2D image convolution

在学习cnn的过程中，对convolution的概念真的很是模糊，本来在学习图像处理的过程中，已对convolution有所了解，它与correlation是有不同的，因为convolution=correlation
tina_ttl·2016-04-01 10:00
上一页 24 25 26 27 28 29 30 31 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他