tag 卷積

標籤
貢獻31
100
05:17 PM · Nov 07 ,2025
u_15988698 頭像 u_16492348 頭像 u_13303 頭像 u_14987 頭像 u_16213698 頭像 u_16099311 頭像 u_16213582 頭像 u_16099164 頭像 u_16213673 頭像 u_56701 頭像 u_15469972 頭像 u_13360 頭像

@卷積 / 博客 RSS 訂閱

u_16213582 頭像

mob64ca13f7ecc9 - 計算機視覺如何進行面積過濾功能

ASEF相關濾波器： Average of Synthetic Exact Filters David S. Bolme, Bruce A. Draper, J. Ross Beveridge CVPR, 2009 相關濾波器可以用於物體定位。相關濾波器算法的思想是學習一個濾波器hh，然後和圖像fi

卷積 , 在線更新 , 初始化 , 人工智能 , 計算機視覺如何進行面積過濾功能 , 計算機視覺

收藏 評論

u_16099164 頭像

碼海舵手 - 極智AI | 變形金剛大家族 Transformer ViT CLIP BLIP BERT 模型結構_51CTO博客

文章目錄 轉載 以下是博客原文 以合理的規模訓練 ViT 自蒸餾 DeiT 模型概覽 Pyramid 視覺 Transformer（PVT）的總體架構 視覺 Transformer 的自監督訓練：DINO DINO 多注意力頭可視化 MLP-Mixer 架構 多尺度視

卷積 , 數據 , MySQL , 數據庫 , 人工智能 , transformer , 深度學習

收藏 評論

u_16492348 頭像

wx65950818d835e - 18: 超分中的自適應卷積方法

引言 卷積神經網絡（CNN）中的卷積操作是圖像處理的基礎。標準的卷積操作使用固定的卷積核來處理圖像，但對於圖像超分任務而言，固定卷積核可能無法很好地處理不同圖像的細節和特徵。自適應卷積方法通過動態調整卷積核的權重，使得網絡能夠根據輸入圖像的特徵進行自適應卷積，從而提高超分圖像的質量。本文將探討自適應卷積在超分中的應用。 自適應卷積的基本原理 自適應卷積通過引入可

自適應 , 卷積 , 卷積核 , c++ , 後端開發 , c

收藏 評論

u_13303 頭像

colddawn - 神經網絡自適應控制仿真matlab 自適應 神經網絡

Adaptively Connected Neural Networks Paper link: Adaptively Connected Neural Networksarxiv.org Code link: wanggrun/Adaptively-Connected-Neural

神經網絡自適應控制仿真matlab , 自適應 , 卷積 , 數據 , 神經網絡 , 人工智能

收藏 評論

u_56701 頭像

hackernew - bp神經網絡增加動量因子 神經網絡 動量因子

Coursera吳恩達《優化深度神經網絡》課程筆記（3）-- 超參數調試、Batch正則化和編程框架 1. Tuning Process 深度神經網絡需要調試的超參數（Hyperparameters）較多，包括： ：學習因子 ：動量梯度下降因子 ：Adam算法參數 #layers：神經網絡層數 #hidden units

卷積 , 神經網絡 , 人工智能 , 方差 , bp神經網絡增加動量因子

收藏 評論

u_15988698 頭像

代碼天地 - 徹底搞懂一個算法，CNN！！

卷積神經網絡算法（CNN）是一種專門用來處理具有網格結構數據（如圖像、視頻、時間序列等）的深度神經網絡。 它通過模仿人類視覺皮層的工作機制，通過局部感受野、權重共享和池化等設計，極大地降低了模型的複雜度，並有效提取了數據的空間層次特徵。 卷積神經網絡算法在計算機視覺領域，如圖像識別、目標檢測、圖像分割中取得了巨大成功。 核心原理

卷積 , 服務器 , 池化 , 全連接 , 分佈式

收藏 評論

u_15469972 頭像

mb61c46a7ab1eee - 計算機視覺：卷積神經網絡（CNN）圖像分類從像素與色彩通道基礎到特徵提取、池化及預測 - 指南

一、卷積神經網絡概述 卷積神經網絡通過濾波器（或稱核）從圖像中提取特徵，再將這些特徵傳入神經網絡進行預測或輸出。在深入探討卷積神經網絡之前，我們先詳細瞭解圖像的工作原理。 二、圖像的本質 （一）像素與矩陣表示 圖像由微小的像素構成，如同宇宙由原子組成。每個像素是一個包含數字的單元，類似矩陣中的單元格。本質上，圖像是具有確定行數和列數的矩陣，矩陣中的每個單元

卷積 , redis , 卷積核 , 數據庫 , 池化

收藏 評論

u_13360 頭像

level - rlike presto怎麼實現

1、文章信息 《PredRNN: Recurrent Neural Networks for Predictive Learning using Spatiotemporal LSTMs》。 清華大學軟件學院博士生，後續的PredRNN++ 以及Memory in Memory都是這個人所寫。 2、摘要 時空序列的預測學習的目的是通過學習歷史幀來生成未來的

數據集 , 卷積 , rlike presto怎麼實現 , 雲計算 , 之字形 , 雲原生

收藏 評論

u_16213706 頭像

mob64ca1415bcee - 模型自適應迴歸遷移學習

預訓練模型蒸餾 在前面的課程中，大家瞭解了自然語言處理領域中一些經典的模型，比如BERT、ERNIE等，它們在NLP任務中的強大之處是毫無疑問的，但由於預訓練模型的參數較多，體積龐大，在部署時對設備的運算速度和內存大小以及能耗都有着極高的要求。但當我們處理實際的產業應用需求時，比如將深度學習模型部署到手機上時，就需要對模型進行壓縮，在不影響性能的前

機器學習 , 卷積 , paddlepaddle , NLP , 自然語言處理 , 模型自適應迴歸遷移學習 , 人工智能

收藏 評論

u_15988698 頭像

代碼天地 - 融合Transformer+LSTM+CNN，時間序列預測 ！！

咱們今天來聊聊融合Transformer+LSTM+CNN，這也是有一位同學提到的。 核心點：用卷積抓短期、用 LSTM 維護狀態、用自注意力抓任意距離的依賴。 首先，咱們來看看這三位“同學”各自擅長的點在哪裏？ CNN（卷積）：擅長抓“局部模式”，像短期的波峯/波谷、週期裏的固定形狀。 LSTM（長短時記憶網絡）：擅長記住“時間上的因果和長期依賴”，把過

卷積 , 服務器 , 數據 , 時間序列 , 分佈式

收藏 評論

u_87634 頭像

新新人類 - CNN的神奇應用實例

Network In Network 是13年的一篇paper 引用：Lin M, Chen Q, Yan S. Network in network[J]. arXiv preprint arXiv:1312.4400, 2013. 文章的新點： 1. 採用 mlpcon 的結構來代替 traditional 卷積層；

機器學習 , 卷積 , 卷積核 , 人工智能 , 全連接 , CNN的神奇應用實例

收藏 評論

u_16213560 頭像

數據小探 - 經典CNN與經典Transformer相結合用於時間序列預測

經典網絡 (Classic Networks) 這節課，我們來學習幾個經典的神經網絡結構，分別是LeNet-5、AlexNet和VGGNet，開始吧。 首先看看LeNet-5的網絡結構，假設你有一張32×32×1的圖片，LeNet-5可以識別圖中的手寫數字，比如像這樣手寫數字7。LeNet-5是針對灰度圖片訓練的，所以為什麼圖片的大小隻有32

機器學習 , 卷積 , 人工智能 , 深度學習 , 池化 , 全連接

收藏 評論