CNN精品文章

• 

  用于圖像分割的卷積神經(jīng)網(wǎng)絡(luò)：從R-CNN到Mark R-CNN

  卷積神經(jīng)網(wǎng)絡(luò)（CNN）的作用遠(yuǎn)不止分類那么簡(jiǎn)單！在本文中，我們將看到卷積神經(jīng)網(wǎng)絡(luò)（CNN）如何在圖像實(shí)例分割任務(wù)中提升其結(jié)果。自從 Alex Krizhevsky、Geoff Hinton 和 Ilya Sutskever 在 2012 年贏得了 ImageNet 的冠軍，卷積神經(jīng)網(wǎng)絡(luò)就...

  daydream 2019-04-25 18:13 評(píng)論0 收藏0
• 

  CNN 在圖像分割中的簡(jiǎn)史：從 R-CNN 到 Mask R-CNN

  ..., Geoff Hinton, and Ilya Sutskever 成為了 ImageNet 2012 冠軍之后，CNN 已經(jīng)變成了圖像分割的標(biāo)配。實(shí)際上，從那時(shí)起，CNN 已經(jīng)在 ImageNet 挑戰(zhàn)上面戰(zhàn)勝了人類。 雖然這些分類結(jié)果令人印象深刻，但是比真實(shí)的人類視覺理解還是要簡(jiǎn)單很...

  AJie 2019-07-30 15:17 評(píng)論0 收藏0
• 

  從語義上理解卷積核行為，UCLA朱松純等使用決策樹量化解釋CNN

  ...洛杉磯分校的朱松純教授等人發(fā)布了一篇使用決策樹對(duì) CNN 的表征和預(yù)測(cè)進(jìn)行解釋的論文。該論文借助決策樹在語義層面上解釋 CNN 做出的每一個(gè)特定預(yù)測(cè)，即哪個(gè)卷積核（或物體部位）被用于預(yù)測(cè)最終的類別，以及其在預(yù)測(cè)中...

  miya 2019-04-25 18:24 評(píng)論0 收藏0
• 

  計(jì)算機(jī)視覺和 CNN 發(fā)展十一座里程碑

  從AlexNet到ResNet，計(jì)算機(jī)視覺領(lǐng)域和卷積神經(jīng)網(wǎng)絡(luò)（CNN）每一次發(fā)展，都伴隨著代表性架構(gòu)取得歷史性的成績(jī)。作者回顧計(jì)算機(jī)視覺和CNN過去5年，總結(jié)了他認(rèn)為不可錯(cuò)過的標(biāo)志模型。在這篇文章中，我們將總結(jié)計(jì)算機(jī)視覺和卷積...

  劉厚水 2019-04-25 18:05 評(píng)論0 收藏0
• 

  斯坦福：「目標(biāo)檢測(cè)」深度學(xué)習(xí)全面指南

  ...基于區(qū)域的完全卷積網(wǎng)絡(luò)（R-FCN）?具有Resnet 101的Faster R-CNN?具有Inception Resnet v2的Faster R-CNN在我上一篇博文（https://medium.com/towards-data-science/an-intuitive-guide-to-deep-network-architectures-65fdc477db41）中，我介紹了上面...

  Harpsichord1207 2019-04-25 18:19 評(píng)論0 收藏0
• 

  用于視覺任務(wù)的 CNN 為何能在聽覺任務(wù)上取得成功？

  最初針對(duì)視覺信號(hào)設(shè)計(jì)出來的 CNN 也能處理聽覺信號(hào)，最終幫助機(jī)器傾聽和更好地理解我們。 CNN 在某些程度上能遷移學(xué)習(xí)，掌握多種模式的共同特征。有一系列神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)方法不只是「有深度的」。在這段時(shí)間，針對(duì)先...

  lieeps 2019-04-25 18:04 評(píng)論0 收藏0
• 

  將CNN與RNN組合使用

  從有一些有趣的用例看，我們似乎完全可以將 CNN 和 RNN/LSTM 結(jié)合使用。許多研究者目前正致力于此項(xiàng)研究。但是，CNN 的研究進(jìn)展趨勢(shì)可能會(huì)令這一想法不合時(shí)宜。一些事情正如水與油一樣，看上去無法結(jié)合在一起。雖然兩者各...

  FuisonDesign 2019-04-25 18:30 評(píng)論0 收藏0
• 

  深度學(xué)習(xí)時(shí)代的目標(biāo)檢測(cè)算法

  ...域和深度學(xué)習(xí)結(jié)合，但都沒有取得成效，這種情況直到R-CNN算法出現(xiàn)才得以解決。1.1 R-CNN2014年加州大學(xué)伯克利分校的Ross B. Girshick提出R-CNN算法，其在效果上超越同期的Yann Lecun提出的端到端方法OverFeat算法，其算法結(jié)構(gòu)也成為后續(xù)...

  wfc_666 2019-04-25 18:24 評(píng)論0 收藏0
• 

  如何從信號(hào)分析角度理解卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜機(jī)制？

  ...隨著復(fù)雜和高效的神經(jīng)網(wǎng)絡(luò)架構(gòu)的出現(xiàn)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）的性能已經(jīng)優(yōu)于傳統(tǒng)的數(shù)字圖像處理方法，如 SIFT 和 SURF。在計(jì)算機(jī)視覺領(lǐng)域，學(xué)者們開始將研究重點(diǎn)轉(zhuǎn)移到 CNN，并相信 CNN 是這一領(lǐng)域的未來趨勢(shì)。但是，人們對(duì)成...

  Aomine 2019-04-25 18:13 評(píng)論0 收藏0
• 

  像玩樂高一樣拆解Faster R-CNN：詳解目標(biāo)檢測(cè)的實(shí)現(xiàn)過程

  本文詳細(xì)解釋了 Faster R-CNN 的網(wǎng)絡(luò)架構(gòu)和工作流，一步步帶領(lǐng)讀者理解目標(biāo)檢測(cè)的工作原理，作者本人也提供了 Luminoth 實(shí)現(xiàn)，供大家參考。Luminoth 實(shí)現(xiàn)：https://github.com/tryolabs/luminoth/tree/master/luminoth/models/fasterrcnn去年，我們決定...

  taoszu 2019-04-25 18:25 評(píng)論0 收藏0
• 

  從RCNN到SSD，這應(yīng)該是最全的一份目標(biāo)檢測(cè)算法盤點(diǎn)

  ...的信息。本文對(duì)目標(biāo)檢測(cè)進(jìn)行了整體回顧，第一部分從RCNN開始介紹基于候選區(qū)域的目標(biāo)檢測(cè)器，包括Fast R-CNN、Faster R-CNN 和 FPN等。第二部分則重點(diǎn)討論了包括YOLO、SSD和RetinaNet等在內(nèi)的單次檢測(cè)器，它們都是目前更為優(yōu)秀的方法...

  jayzou 2019-04-25 18:26 評(píng)論0 收藏0
• 

  Matlab編程之——卷積神經(jīng)網(wǎng)絡(luò)CNN代碼解析

  ...習(xí)matlab包，里面含有很多機(jī)器學(xué)習(xí)算法，如卷積神經(jīng)網(wǎng)絡(luò)CNN，深度信念網(wǎng)絡(luò)DBN，自動(dòng)編碼AutoEncoder（堆棧SAE，卷積CAE）的作者是 RasmusBerg Palm。今天給介紹deepLearnToolbox-master中的CNN部分。DeepLearnToolbox-master中CNN內(nèi)的函數(shù)：調(diào)用關(guān)系...

  senntyou 2019-04-25 18:05 評(píng)論0 收藏0