ICode9

精准搜索请尝试: 精确搜索
  • FFT/NTT/FWT重学or新学?2022-01-02 15:31:24

    不知不觉,就开始学习多项式了,好快啊 重新拾起我之前学的百嘛不是的\(FFT\),新学\(NTT/FWT\) 开始吧学习博客 FWT博客 FFT:快速傅里叶变换 总的来说就是快速求取两个多项式的乘积 把板子粘在这里Luogu3803 多项式乘法 code #include<bits/stdc++.h> using namespace std; #define fo

  • 【论文阅读】Fully Convolutional Networks for Semantic Segmentation2022-01-01 18:58:16

    2022新年啦,今年准备每天读一篇论文(大概)。由于个人能力问题,阅读过程可能是粗读,因为有的地方看不懂,看不懂的地方我就标记一下挖个坑,以后能力长进的时候我再来填坑(大概)。因为怕读完就扔掉了,所以还是在这里记录一下,以后常来复习。 第一篇就读过一段时间可能会考的计算机视觉课里提到

  • CvT: 如何将卷积的优势融入Transformer2022-01-01 16:35:31

    【GiantPandaCV导语】与之前BoTNet不同,CvT虽然题目中有卷积的字样,但是实际总体来说依然是以Transformer Block为主的,在Token的处理方面引入了卷积,从而为模型带来的局部性。最终CvT最高拿下了87.7%的Top1准确率。 引言 CvT架构的Motivation也是将局部性引入Vision Transformer架构

  • 【语义分割】初识U-Net2022-01-01 14:32:14

    背景介绍  U-Net可以说是当今时代下一个炙手可热的网络模型,作为分割领域的一种基础网络,其代表了一种高性能的基础网络设计架构,很多网络为了延续U-Net的核心思想,加入了新的模块或者融入其他设计理念设计而成。如今,所有的图像分割问题,人们都会尝试着用各种U-Net网络架构看看效果

  • 反走样(抗锯齿)2022-01-01 13:05:25

    (1)采样与走样 采样不只是发生在不同的位置,也可以是不同的时间,比如视频、动画,把一系列的图按一定的时间放映出来,动画实际上就是在时间中进行的采样,因为本质上说,我们没有连续意义上的动画。 采样是广泛存在的,同样,采样造成的问题也是广泛存在的,叫做 Artifacts(图形学中的黑话,不希望看

  • 学习笔记2021.12.302021-12-30 22:33:11

    学习内容:SSD(ECCV 2016) 概述: 一阶段算法,全称single shot multibox detector 论文地址;代码地址 全卷积网络,没有FC,在不同的尺度进行特征提取,在最后组合起来,进行回归和分类 精度下降,速度提高了 预选框的产生:prior box(与anchor类似) 以feature map上的每个像素点(可看作一个小

  • 论文阅读笔记:View-GCN View-based Graph Convolutional Network for 3D Shape Analysis2021-12-30 15:33:09

    论文阅读笔记:View-GCN: View-based Graph Convolutional Network for 3D Shape Analysis 文章目录 论文阅读笔记:View-GCN: View-based Graph Convolutional Network for 3D Shape Analysis参考笔记:Abstract1. Introductionview-based本文工作 2. Related Works2.1 Multi-vi

  • win11+RTX3060搭建tensorflow深度学习环境2021-12-30 14:34:57

    文章目录 win11+RTX3060搭建tf2.6深度学习环境1.所需软件2.安装cuda3.配置cudnn4.conda添加新环境并下载tf2.65.测试gpu参考文献 win11+RTX3060搭建tf2.6深度学习环境 1.所需软件 cudacudnn cudnn下载需要注册账号anacondatf2.6.2 2.安装cuda cuda简介: CUDA是NVIDIA发

  • CV基石-GoogleNet-V4论文研读2021-12-29 21:30:40

    1、Inception-v4模型 结构:六大模块 1、stem(9层) 2、Inception-A(3*4层) 3、Reduction-A(3层) 4、Inception-B(5*7层) 5、Reduction-B(4层) 6、Inception-C(4*3层) 加一个全连接层,共76层 注: padding 两种模式: ·no padding 输入图像n*n,过滤器f*f,输出图像大小为:(n-f+1)2 ·Same  进行padding

  • 卷积神经网络中的池化操作2021-12-29 09:34:00

    常用的池化操作主要针对非重叠区域,包括均值池化、最大池化等。其中均值池化通过对邻域内特征数值求平均来实现,能够抑制由于邻域大小受限造成估计值方差增大的现象,特点是对背景的保留效果更好。最大池化则通过取邻域内特征的最大值来实现,能够抑制网络参数误差造成估计均值偏移

  • Lingvo分析(九)2021-12-27 22:03:00

    ​ #2021SC@SDUSC ​ class BaseConv2DLayer: 2D 卷积层的基类。支持可选的批量标准化、激活和序列填充。 首先界定参数: filter_shape’, (0, 0, 0, 0) 过滤器形状:必须是长度为4的序列。 元素的顺序是height(时间)、width(频率)、in_channel、out_channel。 当 causal_convolution

  • RNN与CNN的特点及区别2021-12-27 16:02:24

    从应用方面上来看,CNN用到做图像识别比较多,而RNN在做到语言处理多一点,如果拿来比喻的话,CNN如同眼睛一样,正是目前机器用来识别对象的图像处理器。相应地,RNN则是用于解析语言模式的数学引擎,就像耳朵和嘴巴。 对于CNN神经网络,有一个基础的假设——人类的视觉总是会关注视线内特征最

  • AF-FPN-YOLO5一种实时多尺度交通标志检测网络2021-12-27 10:32:53

    Improved YOLOv5 network for real-time multi-scale traffic sign detection 交通标志检测对于无人驾驶系统来说是一项具有挑战性的任务,尤其是多尺度目标检测和检测的实时性问题。在交通标志检测过程中,目标的规模变化很大,会对检测精度产生一定的影响。特征金字塔是解决这一问

  • 吴恩达深度学习课程笔记(一)—— 卷积神经网络2021-12-26 22:02:35

    一、计算机视觉     在运行神经网络对图像进行处理时,对于64*64大小的图像,图像就有12288个参数,而对于一张1000*1000大小的图像,参数更是多达300万个,假设隐藏层有1000个神经元,那么参数就是300万*1000个,300亿个参数,可想而知数据量过于庞大。 为解决此问题,我们需要采用卷积计算。 二

  • 基于 SoC 的卷积神经网络车牌识别系统设计(0)摘要2021-12-26 17:37:09

    ​NOTES:现如今,芯片行业无比火热啊,无论是前景还是钱景,国家芯片战略的发布,公司四五十万的年薪,着实令人非常的向往,为了支持芯片设计者,集成了工作、科研、竞赛于一体的《基于 SoC 的卷积神经网络车牌识别系统设计》专栏项目,这是在一位海归教授的带领之下的整个团队辛勤耕耘的结晶,希望

  • ECANet自学笔记2021-12-26 15:58:00

     可以看到ECANet取得了比SENet更好的效果。 ECANet思考了SENet的缺点:先降维经过处理之后在映射到高纬度。作者认为尽管这种迂回策略减少了一定的参数。但是他破坏了通道与注意力权重之间的直接对应关系。     var2是每个通道对应一个权重,var3是每个权重由前面的所有通道决

  • CNN卷积神经网络-PyTorch2021-12-26 12:35:05

    动手学深度学习-CNN笔记 一、从全连接层到卷积二、图像卷积1.卷积层2.学习卷积核参数3.特征映射和感受野 三、填充(padding)四、步幅(stride)五、多输入多输出通道1.多输入通道2.多输出通道3.1×1卷积层 六、池化层(或汇聚层,pooling层) 一、从全连接层到卷积 多层感知机

  • 通过矩阵化的卷积层理解上采样层2021-12-25 21:03:40

    https://naokishibuya.medium.com/up-sampling-with-transposed-convolution-9ae4f2df52d0 If you’ve heard about the transposed convolution and got confused what it actually means, this article is written for you. The content of this article is as follows: The

  • 以目标跟踪阐述深度学习相关2021-12-22 19:03:06

    1.目标跟踪综述 一般包含:特征表达、跟踪模型、搜索策略 跟踪方法分类 2.特征表达 2.1传统特征 表达主要包括HOG、LBP、Harr-like、SIFT和颜色统计 1.HOG:图像局部区域梯度加权直方图,一般针对灰度图像,对背景光照变化和目标微量性形变具有不变性 2.LBP:局部二值化 3.Haar-lik

  • 实时&离线皮肤渲染技术(Real-time&Offline Skin Rendering)2021-12-22 18:34:16

    目录现实皮肤模型BSSRDF 渲染模型 [2001]Diffusion Profile(扩散剖面)[2001]偶极子 [2002]高斯和 [2007]Burley Normalized Diffusion [2015]基于模糊的 SSS 方法纹理空间模糊(Texture Space Blur) [2003]屏幕空间模糊(Screen Space Blur) [2009]Pre-Integrated Skin(预积分的皮肤着色)[20

  • involution理解2021-12-22 15:59:29

    最好的参考来自论文作者的知乎:CVPR 2021 | involution:超越convolution和self-attention的神经网络新算子 其他餐卡: https://zhuanlan.zhihu.com/p/400402288 https://zhuanlan.zhihu.com/p/356960359 https://blog.csdn.net/P_LarT/article/details/115426891 引言 CNN的空间

  • 模糊/RBF/BP/卷积/混沌/hopfield/前馈神经网络matlab程序源代码2021-12-22 12:32:03

    模糊/RBF/BP/卷积/混沌/hopfield/前馈神经网络matlab程序源代码 1、模糊神经网络matlab源程序(模糊+神经网络+遗传算法) 2、RBF神经网络matlab程序 3、模糊神经网络matlab实现(讲述了如何利用matlab语言进行模糊神经网络的训练与仿真及其实现方法)程序员帮帮 4、BP神经网络matlab

  • 深度学习02:CNN2021-12-21 13:02:43

    1 CNN的结构 1.1 卷积层   由滤波器filters和激活函数构成。 一般要设置的超参数包括filters的数量、大小、步长,以及padding是“valid”还是“same”。当然,还包括选择什么激活函数。 1.1.1 padding 填白 每次卷积前,先给图片周围都补一圈空白,让卷积之后图片跟原来一样大,同时

  • 卷积神经网络(CNN)的演化及其用途,为何出现深度学习?2021-12-20 20:33:54

    转自卷积神经网络(CNN)的演化及其用途,为何出现深度学习? · 深度学习 Yann LeCun 卷积神经网络(CNN)的演化 在动物的大脑中,神经元对特定方向的边缘信息有所反应。对同一方向起反应的神经元群将复制遍整个视野。 Fukushima (1982)基于两个概念构建了一个与大脑工作方式相同的神经

  • “语义分割过程中具有自适应类加权损失的多视图自构造图卷积网络”论文简读2021-12-19 23:30:35

    code: https://github.com/samleoqh/MSCG-Net 文章目录 摘要论文的贡献 摘要 我们提出了一种新的架构,称为多视图自构造图卷积网络(MSCGNet)的语义分割。在最近提出的自构造图(SCG)模块的基础上,利用可学习的潜在变量直接从输入特征自构建底层图,而不依赖于人工构建的先验

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有