精华内容
下载资源
问答
  • 卷积操作% ------------------------------------ %关于卷积操作 % % date 2019/05/14 % by Dufy % % ------------------------------------ clc clear close all format compact a=[0 1 2;3 4 5;6 7 8]; b=[0 1;...

    09557b11a0989b946e5aabe589035fa5.png

    卷积操作

    3a40bfd2559982fe0f93b6002289c224.png
    % ------------------------------------
    %关于卷积操作
    % 
    % date 2019/05/14
    % by Dufy
    %
    % ------------------------------------
    
    clc
    clear
    close all
    format compact
    
    a=[0 1 2;3 4 5;6 7 8];
    b=[0 1;2 3];
    conv(a,b)
    function A=conv(mat, filter)
    
    [row, line] = size(mat);%行,列
    [row1, line1] = size(filter);%行,®列
    for j=1:row-row1+1
        for i=1:line-line1+1
            A(j,i)=sum(sum(mat(j:j+row1-1,i:i+line1-1).*filter));
        end
        
    end
    end
    
    

    ans =

    19 25

    37 43

    卷积操作的本质:

    • 稀疏交互

    7044bf12728eb7f3f610bcfbd86b75fc.png

    不同于全连接网络,卷积操作具有稀疏交互。也就是,输出只与输入的局部产生联系。物理意义是,现实世界中的数据都有局部的特征结构,我们可以先学习局部的特征,再将局部的特征组合起来,形成更复杂和抽象的特征。

    98a33a3152715dbdad458151e86ae143.png
    局部特征组合
    • 参数共享

    卷积操作时候,用同一个卷积核对图片的不同位置进行操作,不管图片有多大,均共享同一套参数矩阵。

    物理意义是平移不变性。即使图像进行了一定的平移,我们仍可将目标识别出来。


    多通道卷积操作[1]

    aca929592ea28bc08896d31195f505d8.png
    CNN基本流程图

    具体操作如下:

    1be1635a239857619841dc881781eb5f.png

    注意,原始的彩色3通道经过卷积后变成了1维

    0702da0ddbbd54e0c73ad9d27bc2a5e6.png

    --------总结如下[2]

    442b016674a9deb89e271adc77c4ac3b.png

    考虑如下例子,filters 10个:

    则需要的参数个数是10(3*3*3+1)=280

    33beae905d1258d81af74c6fc9d32ec0.png

    总结:

    a8d422e1c16a21497dbf456f9146fc6c.png

    卷积层和池化层区别

    卷积层核池化层在结构上具有一定的相似性,都是对感受域内的特征进行提取,并且根据步长设置获取到不同维度的输出,但是其内在操作是有本质区别的,如表所示。

    1cb08dacd2eb1ee5e28b2b9dc54522b7.png

    卷积参数计算

    以LeNet为例[3]

    2ce1148dea75880c26736cf1403abb2b.png

    f2411d8fd2cafc0d4ac6f9ce46604476.png

    其中,关于连接数量[4]

    2. 连接数量:
    全连接:
    输入层神经元数量*输出层神经元数量
    CNN局部连接: 故由于局部连接机制,卷积层的连接数为:局部连接的输入层神经元数*卷积层神经元数

    参考

    1. ^Lenet卷积可视化 http://scs.ryerson.ca/~aharley/vis/conv/
    2. ^【DL笔记6】从此明白了卷积神经网络(CNN https://zhuanlan.zhihu.com/p/42559190
    3. ^经典的卷积网络架构(一)——LeNet-5详解 http://www.manongjc.com/article/37048.html
    4. ^CNN卷积层神经元数量、连接数量、权重数量的计算 https://blog.csdn.net/u013793650/article/details/78250152
    展开全文
  • 点击蓝色字免费订阅,每天收到这样的好资讯本文提出了一种基于深卷积神经网络的植物叶片显微图像气孔自动分割及参数计算方法,植物表型资讯介绍如下。气孔是植物表皮上的微孔,可调节叶片水分和二氧化碳含量。因此,...

    点击蓝色字6ca579f8e7e4844e7dbc4b9b6d0b0e29.png免费订阅,每天收到这样的好资讯

    本文提出了一种基于深卷积神经网络的植物叶片显微图像气孔自动分割及参数计算方法,植物表型资讯介绍如下。

    a0e3256c90510259faf8696cb0d4b590.gif

    气孔是植物表皮上的微孔,可调节叶片水分和二氧化碳含量。因此,它们在植物的生长发育中起着重要作用。目前常用的孔隙解剖参数测量方法大多采用人工测量或半自动分析技术,难以实现高通量和自动化处理。本文提出了一种基于深卷积神经网络的植物叶片显微图像气孔自动分割及参数计算方法。该方法利用一种卷积神经网络模型(Mask R-CNN)来获得叶片显微图像中孔隙区域的轮廓坐标。利用椭圆拟合技术得到孔隙的解剖参数,并对孔隙参数进行定量分析。利用大深度显微镜观测系统,获得黑杨叶片气孔显微图像数据集。训练集、验证集和测试集中使用的图像是从数据集中随机抽取的(分别是562、188和188张图像)

    8906d29a19af0484947a22a7ff5b83db.png

    收集的黑杨树图像示例

    经过10倍交叉验证后,发现188个测试图像平均包含2278个孔(孔宽度小于0.34μm(1.65像素)被认为是闭合的气孔),通过我们的网络检测到平均2201个孔,检测精度为96.6%,孔的结合点(IoU)为0.82。对2201个黑杨叶片气孔的分割结果表明,气孔长度、气孔宽度、气孔面积、气孔偏心率和气孔开度的平均测量精度分别为(a)94.66%,(b)93.54%,(c)90.73%,(d)99.09%和(e)92.95%。

    b9b1a903f3794f07111a23aacf5dbcfb.png

    所提出方法的模型流程图

    1900b40264cfd74dc959b89a2f67f851.png

    (a)–(d)是分割结果的示例

    综上所述,本文提出的基于Mask R-CNN的气孔检测与测量方法,可以自动测量植物气孔的解剖参数,帮助研究者高效、简便地获取叶片准确的气孔信息。

    ebc14d347efce757f9d7b0738e464d5f.png

    气孔孔径与测量误差之间的关系

    来源:

    Song W, Li J, Li K, et al. An Automatic Method for Stomatal Pore Detection and Measurement in Microscope Images of Plant Leaf Based on a Convolutional Neural Network Model. Forests 2020, 11(9), 954; https://doi.org/10.3390/f11090954.

    4d26cd4eb154d94d3ab25d9edae35304.png

    扩展阅读:

    报告合集|无人机表型

    直播回放|漫谈叶绿素荧光:从原理到应用

    国际植物表型网络IPPN介绍和入会指南

    表型资讯3周年目录汇总

    植物表型资讯2020年1-8月目录汇总

    2bbca236cb54f384d73d7ab2cf8c86fc.png 点击在看,助力传播 91c5a92f4ec984c8f127457827b48877.gif

    展开全文
  • 为了弥补这些缺陷,本文提出了一种使用卷积神经网络(CNN)的AMC特征融合方法,该方法试图融合不同图像和信号的特征来获得更多可区分特征。首先,提取八个不同的特征,然后通过对信号进行平滑伪-wigner-ville分布和...

    25c21facf3af838ae8c50900377508e1.png

    摘要:

    自动调制分类算法(AMC)在频谱监视和认知无线电中变得越来越重要。但是,大多数现有的调制分类算法都忽略了不同特征之间的互补性以及特征融合的重要性。为了弥补这些缺陷,本文提出了一种使用卷积神经网络(CNN)的AMC特征融合方法,该方法试图融合不同图像和信号的特征来获得更多可区分特征。首先,提取八个不同的特征,然后通过对信号进行平滑伪-wigner-ville分布和Born-Jordan分布变换转换为两种时频图像,并利用CNN模型提取图像特征。其次,将图像中的每一个特征结合起来形成关节特征,并应用多模态融合模型融合各种特征来产生进一步改进。最后,仿真结果表明了该方案的优越性能。值得一提的是,在-4 dB的信噪比下,分类精度可以达到92.5%。

    1.介绍

    自动调制分类算法是指自动识别接收信号的调制类别,这种技术被广泛的应用到频谱管理,干扰识别,电子战等。近年来,随着无线通信的飞速发展,信号的调制类型变得越来越复杂多样,并且无线电环境变得越来越差,这些都使得自动调制分类算法变得越来越重要。

    通常上,可以将自动调制识别系统分为两类:基于似然方法和基于特征的方法,从理论上来说,基于似然方法在比较不同调制信号的似然函数,能够最大程度的提高分类精度,能够获得最佳结果。基于似然函数的方法主要分为三种:混合似然比检验,平均似然比检验和广义似然比检验。但是,在参数未知的情况下,会出现分类精度严重下降的情况,当存在较多调制信号时,基于似然的方法需要较高的复杂度。相比之下,由于基于特征的方法能够降低算法的复杂度,所以其在自动调制识别领域引起了广泛的关注。为了提高不同特征之间的互补性,自动调制识别系统提出了一种多模态融合模型,该模型能够集成多种模态特征,从而提高算法的性能。

    本文提出了一种将CNN特征融合到自动调制系统中,该方法主要包含三个部分:时频处理、特征提取和特征融合。时频处理,是将所有信号通过SPWVD变换和BJD变换,将其变换为时间和频率的二维图像,然后利用CNN模型学习图像的二维特征;最后将这两种特征进行特征融合来达到提升性能的目的。结果表明,该方法具有较好的分类性能,能够在-4dB的信噪比下,本文方案的分类精度能够达到92.5%。

    2.信号模型和时频分布

    A.信号模型

    这篇文章主要研究被加性高斯白噪声(AWGN)干扰的数字调制信号,将数字调制信号表示为:

    83e21a19cb8967969d665313e2eeb7a4.png

    其中s(t)表示发射信号,r(t)表示接收信号。n(t)是加性高斯白噪声,当发射信号为ASK、FSK、PSK时,s(t)能够表示为:

    7eabf764848e2bbf6ad73c406545ab5f.png

    如果为M-QAM信号时,将s(t)表示为:

    0daed3e1510a1ef62094eae601775556.png

    B.时频分布

    平滑魏格纳分布是一种常见的时频分布,可以有效地抑制交叉项,能够将其表示为:

    e23bfb1ca2f401d1a58bdcd32feb0a48.png

    Born-Jordan分布也是一种有效的时频分布变换方法,其能够有效地抑制交叉项,将其表示为:

    b720dfc77cba8d96dc3ef5d79071f7cc.png

    图1和图2展示了信号在-4dB下,通过SPWVD变换和BJD变换以后的时频分布图。

    b5257a699613195fd2280f9a3e265ceb.png
    图1 4种信号经过SPWVD变换以后的时频图

    533f43b4018bf1f78ba5fd6ecef96e8d.png
    图2 4种信号经过BJD变换以后的时频分布图

    3.本文提出的调制分类方法

    如图3所示,本文提出的方法主要包含三个部分:时频处理、特征提取和特征融合。其中时频处理已经在第二节进行了描述;特征提取包括图像特征提取和人工特征提取;特征融合分为三步,首先将人工特征和图像特征结合成关节特征,然后利用多模态融合模型(Multi-modality fusion,MMF)来融合关节特征,最后通过一个全连接网络完成最后的分类任务。

    00a6d70da2363d86049d284b589ffdb5.png
    图3 本文方法流程图

    A. 特征提取

    1)图像特征提取:

    完整的卷积操作包括卷积层和池化层,如图4所示,卷集层将上一层的特征图视为输入,并在输入和权重之间进行卷积操作,池化层通过非线性下采样操作来减小特征图的尺寸,能够将卷积层和池化层表示为:

    34f1544e37adee8cf64f5401fe3cb682.png

    由于从头开始训练CNN网络需要大量的时间,所以本文采用了迁移学习的方法来降低计算复杂度。迁移学习是受到人们能够利用已有知识更快的解决新问题并获得更好的解决方案的启发,其通过对某些学习信息的转换,来增强其他情况的泛化能力。目的是利用在数据优势中得到的信息来加快学习进程。本文利用经过微调后的ResNet152模型作为图像特征的提取器,该模型通过在不同层之间创建便捷方式路径来强化特征的传播。

    c58ca185e01c8b3dc2b33d7d4a21d148.png
    图4 完整的卷积操作

    为了更直观的了解从网络中提取的图像特征,本文在对信号进行SPWVD变换时,将卷积层的输出可视化的展现了出来。其中,卷积层第一层的输出为64(112*112像素)个低阶特征,如图5所示;卷积层的最后一层输出为2048个高阶特征(7*7像素),如图6所示。能够发现,从原始输入提取的低阶特征仍能够保留部分相似性,并具有相应的轮廓特征,并且基于先前层的低层特征形成的高层特征更具有抽象性和多样性,更加有利于信号进行调试分类。

    662496bf5e38c7596405083397315bae.png
    图5 第一层卷积层的输出

    23fd9a4478da4b34588730d44cc849dc.png
    图6 最后一层卷积层的输出

    2)手动提取特征

    选择的特征在一定程度上会影响分类系统的性能,被选择的特征应该便于获取并具有一定的区分性,下面介绍下本文所选择的特征:

    a)归一化中心瞬时振幅的功率密度最大值:

    7596a15536f37c7eaf203fccbdfd78dc.png

    其中,Ns表示采样点数,ma表示瞬时幅度的平均值。

    b)归一化中心瞬时振幅的绝对值标准偏差:

    6c381098ca8071a7f5ba80acc94a9757.png

    c)瞬时相位中心非线性分量的绝对值的标准偏差:

    8971c64ffe9bb33fb29455d42acbc0de.png

    d)瞬时相位的中心非线性分量的标准偏差:

    3f6300ea483081bebc1917731e75a382.png

    e)非线性中心瞬时频率的绝对值标准偏差

    3176f8f4f27cbe9b23a12a5344342cac.png

    f)高阶累计量

    由于高阶累积量对高斯噪声具有鲁棒性,当随机变量为高斯分布时,随机变量的高阶累计量的值为0。其中,四阶累积量表示为:

    a619a29a01279df0f4aea1114bd0b813.png

    B.特征融合

    在自动调制分类领域中,基于特征的方法是通过提取高质量的特征来识别信号,近年来研究人员提出了各种区分特征,例如最大功率谱密度、循环功率谱、星座图和高阶累计量等。在本文中,通过特征融合的方法来实现不同特征之间的互补优势,本文的特征融合方法如图7所示。

    7b1ef5458c7085e69ce23b28ccf14fac.png
    图7 本文特征融合方法

    本文中,将信号分别进行SPWVD和BJD变换,然后利用MMF方法将SPWVD变换和BJD变换得到的特征进行融合,该方法不仅考虑了单模态的功能,还考虑了每种模态的特征之间的关系。由于输入了两种不同类别的模态信息,因此需要考虑这两种分布下的损失。本文采用Jensen-Shannon(JS)散度来弥补Kullback-Leibler(KL)散度的不对称性来估算两种分布之间的损失。将JS散度定义为:

    977088acf960a305d93f47b764594e5a.png

    4.实验仿真及讨论

    为了验证本文方法的有效性,对几种方法的性能进行对比,将其命名为SPWV,BJD,VF和MMF方法。

    A.实验数据和模型设计

    本文使用BPSK、QPSK、2FSK、4FSK、2ASK、4ASK、16QAM和OFDM调制信号来测试该系统的分类性能。信号参数设置如下:采样频率fs为40kHz,载波频率在4~16kHz之间随机变化,符号数为8,采样点为512。训练集是在相同SNR条件下,每种调制类型生成1000个样本,并且重复7次生成信号,其中以2dB的间隔将SNR从-4dB提升到8dB,总共有56000个样本,并将所有样本的大小都调整为(224,224)。在分类阶段,设计的全连接网络体系结构为[2056,128,8],其中输入层的神经元数量为2056,将隐藏层中的神经元数量设置为128,8对应的是调制信号的类型。同时,为了避免模型的权重失真过快,将学习率设置为0.001。

    B.结论和分析

    图8中显示了不同SNR下,各种方法的分类精度。为了说明人工特征对各种算法的识别精度的影响,图9绘制了除去人工特征方法以后的分类精度结果图。

    2622944207630feddedec6b3d41ba98b.png
    图8 不同SNR下的识别精度

    fc16b7908f8527b4515c1e275823d79c.png
    图9 不同SNR下相应算法的分类性能

    从图中能够看出在考虑人工特征时,在较低信噪比下能够获得较高的识别精度,同时SPWV算法的分类性能和BJD方法类似,并且分类精度比VF和MMF的分类精度低。为了研究在较低信噪比下,对分类精度的影响因素,本文研究了在SNR为-4dB时四种方法的混淆矩阵。如图10所示,16QAM和OFDM信号的分类精度较高,而2ASK、BPSK、QPSK的分类误差较高。这主要是由于QPSK和BPSK信号容易被混淆,2ASK会被误识别为4ASK信号。这是由于这些信号的时频分布图相似。而使用MMF方法对信号进行分类时,就能够在一定程度上提升分类精度,获得较好的分类效果。

    44c6800cc8dec1842a438bcb41851973.png
    图10 在SNR为-4dB时的信号分类混淆矩阵

    为了更好的了解不同调制信号的性能如何随SNR而变化,图11绘制了不同方法下每种调制信号的分类精度,能够发现信号的分类精度都超过了96%,同时一些信号甚至在0dB时的分类精度能够达到100%。由于在实际应用的过程中,信号的传输环境很差,所以在较低信噪比下能够获得较高的分类精度具有很重要的意义。

    5bf9af5b1900966f9403192c0a34e4a5.png
    图11 不同调制信号在不同算法下的分类精度

    为了评估算法的复杂度,将其运行时间可视化展示为图12所示,其中CWD算法的运行时间远高于其他方法。通过对比发现,本文算法在提高算法的效率上具有一定效果。

    77430f3cf3d26d9ae7c2e220e556f9aa.png
    图12 不同算法运行时间对比

    5.结论和思考

    本文提出一种AMC的特种融合方法,将信号通过两种时频变换(SPWVD和BJD)得到相应的二维图像,然后利用ResNet152模型提取图像的特征,将图像特征和人工提取的特征相结合,利用不同特征之间的关系。通过与传统的调制分类方法相对比,说明本文提出的分类方法能够在较低信噪比下获得更好的分类识别精度。

    在未来工作中,可以继续考虑和探索如高阶QAM信号和PSK信号的分类算法性能,尝试提高其分类算法的泛化能力和鲁棒性。同时由于大多数模型都是在监督学习的基础上进行训练的,这会花费大量的时间来标记和训练数据,因此在AMC领域尝试研究基于半监督学习的调制分类方法具有更广阔的的应用前景。

    展开全文
  • 原文链接:...2. 可使用卷积神经网络(CNN)模型识别废弃物;3. 可通过扩充训练数据扩充来提升CNN模型的分类性能。4. 优化CNN模型的完全连接层可提升CNN的分...

    原文链接:

    https://www.sciencedirect.com/science/article/pii/S0921344920304493

    778435747830cc1afcce87f133575d43.png

    图片来源于网络(侵删)

    文章亮点

    1. 基于图像识别的自动分类算法能够减少废弃物回收的人力劳动;

    2. 可使用卷积神经网络(CNN)模型识别废弃物;

    3. 可通过扩充训练数据扩充来提升CNN模型的分类性能。

    4. 优化CNN模型的完全连接层可提升CNN的分类性能。

    文章导读

        回收废弃物能够有效减少废物产生量,缓解环境和改善国家经济。然而,废弃物回收的效率和质量在很大程度上取决于分选原料的纯度和准确性,需要耗费大量的人工成本。在此背景下,计算机视觉和深度学习(DL)技术开始被应用于废弃物的自动分类任务中,特别是卷积神经网络(convolutional neural network, CNN),如AlexNet、VGG、ResNet和DenseNet。

        然而,可用于训练CNN模型的数据集十分有限,CNN模型存在计算效率低和过度拟合的缺陷,当前废弃物的分类精确度较低。因此,本研究扩充了TrashNet废弃物数据集,利用遗传算法优化了DenseNet121模型,提高了模型分类精度。并且,本研究生成的梯度加权类激活映射(Grad-CAM)可以解释模型的分类结果,帮助识别各类废弃物的主要分类特征。本文的其余部分的结构如下:第2节介绍了垃圾数据集和数据扩充设置,并说明方法和基本环境设置。实验结果在第3节中显示。结论在第4节中得出。

    文章摘要

        利用机器人实现废弃物自动分类和回收任务能够减少大量人工成本。卷积神经网络(CNN)模型,例如DenseNet121,改进了传统的图像识别技术,并且是当前图像识别的主要方法。著名的基准数据集,即TrashNet,共有2527张图像和六种不同的废物类别组成,能够评估CNN模型的性能。为了提高CNN模型的废物分类结果准确性,可以采用数据增强方法,但是还没有研究使用微调CNN模型全连接层的超参数的方式。因此,除数据扩充外,本研究旨在利用遗传算法优化DenseNet121的全连接层,以提高TrashNet上DenseNet121的分类准确性。结果表明,与其他CNN模型相比,优化的DenseNet121最高达到了99.6%的准确性。与针对TrashNet优化DenseNet121的全连接层相比,数据增强可以在提高图像分类的准确性上实现更高的效率。用全连接层替换DenseNet121原始分类器的功能可以提高DenseNet121的性能。优化的DenseNet121进一步提高了准确性,并证明了使用遗传算法优化神经元数量和全连接层,能够提升分类效率。梯度加权的类激活映射有助于突出显示废物图像的粗略特征,并提供对优化DenseNet121的可扩展性的更多了解。

    5a7073b594808ac45835eb4445824041.png

    图1 优化模型的架构

    6527c73f9d42cd4a4f589a73958c9832.png

    图2 优化模型的工作流程图

    e78535f81397938ad80902bed9250942.png

    图3 模型结构比较

    d2eadf6170aff5e9a0096ac8442e6b93.png

    图4 Grad-CAM结果

    原文信息

    e705fcf49e462a7267a4784c2cfa49a7.png

    Abstract

    An automatic classification robot based on effective image recognition could help reduce huge labors of re-cycling tasks. Convolutional neural network (CNN) model, such as DenseNet121, improved the traditional imagerecognition technology and was the currently dominant approach to image recognition. A famous benchmarkdataset, i.e., TrashNet, comprised of a total of 2527 images with six different waste categories was used toevaluate the CNNs’ performance. To enhance the accuracy of waste classification driven by CNNs, the dataaugmentation method could be adopted to do so, but fine-tuning optimally hyper-parameters of CNN's fully-connected-layer was never used. Therefore, besides data augmentation, this study aims to utilize a genetic al-gorithm (GA) to optimize the fully-connected-layer of DenseNet121 for improving the classification accuracy ofDenseNet121 on TrashNet and proposes the optimized DenseNet121.

    The results show that the optimized DenseNet121 achieved the highest accuracy of 99.6%, when comparedwith other studies’ CNNs. The data augmentation could perform higher efficiency on accuracy improvement ofimage classification than optimizing fully-connected-layer of DenseNet121 for TrashNet. To replace the functionof the original classifier of DenseNet121 with fully-connected-layer can improve DenseNet121’s performance.The optimized DenseNet121 further improved the accuracy and demonstrated the efficiency of using GA tooptimize the neuron number and the dropout rate of fully-connected-layer. Gradient-weighted class activationmapping helped highlight the coarse features of the waste image and provide additional insight into the ex-plainability of optimized DenseNet121.

    本期小编:

    陈楚珂,中国科学院城市环境研究所,博士研究生

    更多优秀论文

    尽在RCR

    Resources 丨 Conservation 丨 Recycling

    2019年影响因子:8.086

    欢迎加入公众号编辑团队,简历请投至邮箱:

    rcr-office@umich.edu

    谈笑有鸿儒:请留言

    都说点赞会变美!不信你试试

    badc805f39fcc24f7f2c19dcb94155fb.png626af048b49409022f1e32acaca59914.png

    点击蓝字

    关注我们

    球分享

    球点赞

    46cf3ae0159250d866083db2a4e72c4d.gif

    球在看

    展开全文
  • 通过建立非小麦穗、1个小麦穗、2个小麦穗和3个小麦穗四类图像标签,构建分割后的数据集,并将其送入卷积神经网络(CNN)模型进行训练和测试,以降低模型的复杂度。 麦穗图像处理流程图 结果显示对非小麦、1个小麦穗、2...
  • 1. 图神经网络由来标题:SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS地址:http://arxiv.org/abs/1904.037511.1 欧式空间与非欧式空间数据图网络的提出和处理非欧式空间数据息息相关,对于...
  • 神经网络的发展可以追溯到二战时期,那时候先辈们正想着如何用人类的方式去存储和处理信息,于是他们开始构建计算系统。由于当时计算机机器和技术的发展限制,这一技术并没有得到广泛的关注和应用。几十年来,神经...
  • I . 池化 II . 丢弃操作 III ....IV . 卷积神经网络 完整流程示例 ( 1 ) : 原始输入图 V . 卷积神经网络 完整流程示例 ( 2 ) : 卷积层 C_1C VI . 卷积神经网络 完整... 卷积神经网络 完整流程示例 ( 6 ) : 池化层 S_4S
  • I . 人类的视觉原理 II . 卷积神经网络 模仿 视觉原理 ... 卷积神经网络 工作流程 VI . 降低样本参数数量级 VII . 卷积计算 图示分析 VIII . 卷积计算 简介 IX . 卷积计算 示例 X . 卷积本质 XI . 卷积 计算 参数
  • 卷积神经网络学习——第二部分:卷积神经网络训练的基本流程 一、序言二、训练流程1、数据集引入2、构建网络(1)四层卷积神经网络(2)两层全连接层网络 3、模型训练4、模型评估 三、总结 一、序言    本文承接第一...
  • 卷积神经网络

    千次阅读 2019-04-01 21:22:13
    看这种文章,来首高山流水吧,省的太过干涩。...下图为卷积神经网络流程图:(这里看不懂没关系) 为了帮助指导你理解卷积神经网络,我们讲采用一个非常简化的例子:确定一幅图像是包含有"X"还...
  • 十四、卷积神经网络(1):介绍卷积神经网络

    千次阅读 多人点赞 2017-09-30 12:10:32
    本篇博客介绍在图像分类中常常使用的卷积神经网络。首先由原始的全连接神经网络忽略了图像的空间结构入手,引出了具有...接着从总体给出了卷积神经网络流程,最后介绍卷积神经网络中的反向传播(这部分待补充……)
  • 卷积神经网络计数流程图You can find my code on my Github here.您可以在我的Github上找到我的代码。 Here are the links to my previous posts on blackjack. I used a modified version of my old blackjack ...
  • 本篇文章将介绍卷积神经网络流程。假设有一张图片,该图片可以用一个6*6的矩阵表示,如下所示图1 步长为1的卷积流程图 如上图所示,输入的照片对应的矩阵如左边矩阵所示,假设给定一个卷积核如中间的3*3矩阵所示,...
  • 本发明属于机场场面监视领域,尤其是基于视频流的机场场面监视方法。背景技术:近年来,中国...再这种情况下,基于卷积神经网络的场面监视应运而生。目前,常用的机场场面监视手段包括场面监视雷达、多点定位(Mult...
  • 卷积神经网络流程图 实现代码 import torch import torch.nn as nn #神经网络的层 import torch.utils.data as Data #批处理数据 import torchvision #包括数据库 import matplotlib.pyplot as plt from torch....
  • 卷积神经网络——第一部分:认识并搭建卷积神经网络序言网络实现模型构建类和函数的意义及性质nn.Conv2dF.max_pool2dF.reluF.log_softmaxnn.Linear总结 序言    本文基于北邮数据科学基础课程的期中作业和相关...
  • 卷积神经网络ppt

    2016-06-24 17:12:15
    详细讲述了卷积神经网络的具体流程,利于初学者了解深度学习中的卷积神经网络
  • 深度学习 --- 卷积神经网络CNN(LeNet-5网络详解)

    万次阅读 多人点赞 2018-11-26 11:43:31
    卷积神经网络(Convolutional Neural Network,CNN)是一种前馈型的神经网络,其在大型图像处理方面有出色的表现,目前已经被大范围使用到图像分类、定位等领域中。相比于其他神经网络结构,卷积神经网络需要的参数...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 621
精华内容 248
关键字:

卷积神经网络流程