导图社区 卷积神经网络
卷积神经网络的详细架构,全连接网络瓶颈,是随着图片的数据尺寸越大,隐层网络会非常复杂,快来看看吧!
这是我的mysql学习笔记,主要是基础篇入门的各项指令等,具体是看的黑马程序员的mysql视频,然后边学边自己整理出来的,希望对大家有帮助。
Segment Anything Model的论文行文思路,SAM是一个通过海量训练形成的分割模型,感兴趣可以看看。
DA-DETR的文章深度解读,解决方案DA-DETR可以使用一级探测器、使用单个鉴别器进行域间对齐网络、引入混合注意力机制确定应对其功能的模块,简化了领域自适应通道。
社区模板帮助中心,点此进入>>
互联网9大思维
组织架构-单商户商城webAPP 思维导图。
域控上线
python思维导图
css
CSS
计算机操作系统思维导图
计算机组成原理
IMX6UL(A7)
考试学情分析系统
卷积神经网络
全连接网络瓶颈
随着图片的数据尺寸越大,隐层网络会非常复杂
层结构
卷积层
卷积核
现在为卷积核组
hxwxb
特征响应图组深度等于卷积核的个数
不同的特征响应图反映了输入图像对不同卷积核的响应效果
同一特征响应图上不同位置的值表示输入图像上不同位置对同一卷积核的响应结果
卷积步长
按照指定间隔进行卷积操作
边界填充
作用
保持输入输出尺寸一致
最常见都是零填充
激活层
池化层
对每个特征响应图独立进行,降低图组中每个图的宽度核高度,减少后续卷积层的参数的数量,增大感受野,进而控制过拟合
操作
对特征响应图某个区域进行池化就是在该区域上指定一个值代表整个区域
常见种类
最大池化
相当于非最大化抑制
平均池化
超参数
池化窗口
池化步长
全连接层
损失函数
交叉熵损失
优化算法
SGD
带动量的SGD
ADAM
图像增强
问题
过拟合是因为学习样本太少,导致无法训练出能够泛化到新数据的模型
从现有训练样本中生成更多的训练数据,方法是利用多种能够生成可信图像的随即变换来增加样本
目的
让模型能够观察数据的更多内容,从而具有更好泛化能力
样本增强
随机缩放、抠图
训练阶段:在不同尺度、不同区域随机扣取
测试阶段:按照预先定义的方式扣取
色彩抖动
平移、旋转、畸变、裁剪等