本系列文章面向深度学习研发者，希望通过Image Caption Generation，一个有意思的具体任务，深入浅出地介绍深度学习的知识。本系列文章涉及到很多深度学习流行的模型，如CNN，RNN/LSTM，Attention等。本文为第6篇。 作者：李理 目前就职于环信，即时通讯云平台和全媒体智能客服平台，在环信从事智能客服和智能机器人相关工作，致力于用深度学习来提高智能机器人的性能。 相关文章请访问：http://geek.csdn.net/news/detail/127365 若下文链接不能成
在前面的两篇文章《一步步提高手写数字的识别率(1)》和《一步步提高手写数字的识别率(2)》中，我们分别介绍了使用Softmax回归和神经网络来实现手写数字识别，其准确率分别在92和98%左右，这在机器学习领域是一个非常不错的准确率，如果我们采用卷积神经网络，准确率还可以进一步提升。
“ 随着人工智能的高速发展，开发者们对于能够应对产品多样化挑战的学习框架TensorFlow，也有着很高的热情。除了各类科技产品，零售行业也同样将TensorFlow运用于大规模的深度学习中。 在这篇文章中，来自可口可乐公司数据侠Patrick Brandt，就将为我们介绍如何使用AI和TensorFlow实现无缝式购买凭证。 可口可乐的核心忠诚度计划于2006年以MyCokeRewards.com形式启动。 “MCR.com”平台包含为每一瓶以20盎司规格销售的可口可乐、雪碧、芬达和动乐产品，以及可以在杂
著名： 本文是从 Michael Nielsen的电子书Neural Network and Deep Learning的深度学习那一章的卷积神经网络的参数优化方法的一些总结和摘录，并不是我自己的结论和做实验所得到的结果。我想Michael的实验结果更有说服力一些。本书在github上有中文翻译的版本，
人脸识别是近两年计算机视觉领域创业热潮中的一个热门方向，DeepID是这股热潮中不可忽视的一种人脸算法。针对DeepID的研发心得，人脸识别应用的现状、难点与未来，深度学习的实践经验等问题，CSDN记者近日采访了DeepID人脸算法发明者孙祎。 孙祎先后就读于清华大学、中国香港中文大学，2013年在CVPR上发表了用深度学习做面部特征点检测最早的论文。随后陆续发表了四篇在人脸识别领域有影响力的论文（ICCV’13，CVPR’14，NIPS’14，CVPR’15），使深度学习方法的人脸识别准确率远远超过
人脸识别是近两年计算机视觉领域创业热潮中的一个热门方向，DeepID是这股热潮中不可忽视的一种人脸算法。针对DeepID的研发心得，人脸识别应用的现状、难点与未来，深度学习的实践经验等问题，CSDN记者近日采访了DeepID人脸算法发明者孙祎。 孙祎先后就读于清华大学、香港中文大学，2013年在CVPR上发表了用深度学习做面部特征点检测最早的论文。随后陆续发表了四篇在人脸识别领域有影响力的论文（ICCV’13，CVPR’14，NIPS’14，CVPR’15），使深度学习方法的人脸识别准确率远远超过了人眼的准
本文介绍了如何通过调参提高神经网络在CIFAR-10数据集上的性能，总结了本文的主要贡献和结论。
深度进化网络结构表示（DENSER）是一种利用进化计算自动设计人工神经网络(ANNs)的新方法。该算法不仅搜索最优的网络拓扑（network topology），而且还对超参数(如学习或数据扩充参数)
随着人工智能的高速发展，开发者们对于能够应对产品多样化挑战的学习框架TensorFlow，也有着很高的热情。除了各类科技产品，零售行业也同样将TensorFlow运用于大规模的深度学习中。
编者按：本文节选自图书《TensorFlow实战》第五章，本书将重点从实用的层面，为读者讲解如何使用TensorFlow实现全连接神经网络、卷积神经网络、循环神经网络，乃至Deep Q-Network。同时结合TensorFlow原理，以及深度学习的部分知识，尽可能让读者通过学习本书做出实际项目和成果。 卷积神经网络简介 卷积神经网络（Convolutional Neural Network，CNN）最初是为解决图像识别等问题设计的，当然其现在的应用不仅限于图像和视频，也可用于时间序列信号，比如音频信号、
当我们在处理图像识别或者图像分类或者其他机器学习任务的时候，我们总是迷茫于做出哪些改进能够提升模型的性能（识别率、分类准确率）。。。或者说我们在漫长而苦恼的调参过程中到底调的是哪些参数。。。所以，我花了一部分时间在公开数据集 CIFAR-10 [1] 上进行探索，来总结出一套方法能够快速高效并且有目的性地进行网络训练和参数调整。
【新智元导读】让“机器像人”可谓人工智能终极目标。但最近有研究发现，使用深度神经网络识别图像的结果与人眼识别相似——在出错的地方相似。这实在令人哭笑不得：机器识别图像“像人”但又太过“像人”，把错误也
一、问题描述 当我们在处理图像识别或者图像分类或者其他机器学习任务的时候，我们总是迷茫于做出哪些改进能够提升模型的性能（识别率、分类准确率）。。。或者说我们在漫长而苦恼的调参过程中到底调的是哪些参数。。。所以，我花了一部分时间在公开数据集 CIFAR-10 [1] 上进行探索，来总结出一套方法能够快速高效并且有目的性地进行网络训练和参数调整。 CIFAR-10 数据集有 60000 张图片，每张图片均为分辨率为 32*32 的彩色图片（分为 RGB3 个信道）。CIFAR-10 的分类任务是将每张图片分
视觉识别的快速发展始于 Vision transformer (ViT) 的引入，其很快取代了传统卷积神经网络 (ConvNet)，成为最先进的图像分类模型。另一方面， ViT 模型在包括目标检测、语义分割等一系列计算机视觉任务中存在很多挑战。因此，有研究者提出分层 Transformer（如 Swin Transformer），他们重新引入 ConvNet 先验，这样使得 Transformer 作为通用视觉主干实际上可行，并在各种视觉任务上表现出卓越的性能。
这是一个TensorFlow的系列文章，本文是第三篇，在这个系列中，你讲了解到机器学习的一些基本概念、TensorFlow的使用，并能实际完成手写数字识别、图像分类、风格迁移等实战项目。 文
深度学习在人脸识别领域的应用提高了人脸识别的准确率。本文中，使用了两种深度神经网络框架（VGG net和GoogleLeNet）来进行人脸识别。两种框架ensemble结果在LFW数据集上可以达到0.
垃圾分类作为资源回收利用的重要环节之一, 可以有效地提高资源回收利用效率, 进一步减轻环境污染带 来的危害. 随着现代工业逐步智能化, 传统的图像分类算法已经不能满足垃圾分拣设备的要求. 本文提出一种基于 卷积神经网络的垃圾图像分类模型 (Garbage Classification Network, GCNet). 通过构建注意力机制, 模型完成局部 和全局的特征提取, 能够获取到更加完善、有效的特征信息; 同时, 通过特征融合机制, 将不同层级、尺寸的特征进 行融合, 更加有效地利用特征, 避免梯度消失现象. 实验结果证明, GCNet 在相关垃圾分类数据集上取得了优异的 结果, 能够有效地提高垃圾识别精度.
机器之心原创 作者：Shixin Gu 参与：Joni Chung、Xiang Chen、Nurhachu Null 最近，深度学习正随着训练过程简单化和准确化而变得越来越流行。对于旨在将研究转换为工业应用的研究者而言，这是一个至关重要的需求，例如机器人。 在本文中，作者提出了学习轻量级模型的一个非常新颖的方式，在实现精度超过 90% 的同时让训练速度快了一个数量级，让参数也少了一个数量级。作者主要使用了以下三个步骤： 1). 将预先训练好的模型适应于手头的任务中。 2). 在适应的模型中使用模型压缩技术来
这是首次利用人工智能从X光图像中识别心律装置的研究。对于从未见过的图像，AI识别设备制造商的准确率为99.6%，对应的专家识别准确率为62.3%到88.9%。
这是卷积神经网络学习路线的第五篇文章，主要为大家介绍一下卷积神经网络的参数设置，调参技巧以及被广泛应用在了哪些领域，希望可以帮助到大家。
在过去的几年里，图像识别研究已经达到了惊人的精确度。不可否认的是，深度学习在这个领域击败了传统的计算机视觉技术。 将神经网络应用于MNIST的数据集以识别手写的数字这种方法将所有的图像像素传输到完全连接的神经网络。该方法在测试集上的准确率为98.01%。这个成功率虽然看上去不错，但不是完美的。 应用卷积神经网络可以产生更成功的结果。与传统的方法相比，重点部分的图像像素将被传输到完全连接的神经网络，而不是所有的图像像素。一些滤镜应该被应用到图片中去检测重点部分的像素。 Keras是一个使用通用深度学习框架的A
先取得输入的图像，再采用选择性搜索(Selective Search)算法，自下而上提取大约2000个区域，再用大型卷积神经网络(CNN)对每个提取区域的特征进行分析，并最终采用特定的类线性SVM对各区域进行分类 。
LFW数据集（Labeled Faces in the Wild）是目前用得最多的人脸图像数据库。该数据库共13，233幅图像，其中5749个人，其中1680人有两幅及以上的图像，4069人只有一幅图像。图像为250*250大小的JPEG格式。绝大多数为彩色图，少数为灰度图。该数据库采集的是自然条件下人脸图片，目的是提高自然条件下人脸识别的精度。该数据集有6中评价标准：
编者按：本文节选自图书《TensorFlow实战》第五章，本书将重点从实用的层面，为读者讲解如何使用TensorFlow实现全连接神经网络、卷积神经网络、循环神经网络，乃至Deep Q-Network。同时结合TensorFlow原理，以及深度学习的部分知识，尽可能让读者通过学习本书做出实际项目和成果。 卷积神经网络简介 卷积神经网络（Convolutional Neural Network，CNN）最初是为解决图像识别等问题设计的，当然其现在的应用不仅限于图像和视频，也可用于时间序列信号，比如音频信号
在EZDL到底怎样，试试看…一文中，我尝试了百度推出的在线人工智能设计平台EZDL，其愿景是任何人不用编写一行代码就可以轻松地构建、设计和部署人工智能（AI）模型。从试用效果上看，确实不需要编写一行代码，也不需要什么人工智能知识。但对于一名程序员而言，将人工智能包装到一个黑盒子中，而自己毫无掌控感，总有那么一点不踏实。
该文介绍了神经网络模型压缩、加速和量化三个方面的研究进展。其中，压缩技术包括模型剪枝、知识蒸馏等方法，加速技术包括硬件加速、优化算法等方法，量化技术包括量化训练、量化推理等方法。这些技术在不同程度上减小了模型的大小、提高了推理的速度、降低了训练的能耗。
本文将两种生物视觉机制，分别是视网膜的非均匀采样机制和多种不同大小的感受野存在机制，应用到神经网络中，提高了神经网络的对抗鲁棒性。
近日，山东大学集成电路学院刘国洋助理研究员、周卫东教授团队提出了一种新型余弦卷积网络（CosCNN），并设计了相应的高效参数量化算法使其易于在FPGA中部署。研究结果表明所提出的余弦卷积网络能显著提高癫痫脑电检测的性能，且有望用于其它时间序列分析相关的深度学习模型中。相关成果以“Cosine Convolutional Neural Network and Its Application for Seizure Detection”为题发表在中科院一区Top期刊《Neural Networks》。山东大学集成电路学院为论文署名单位，刘国洋助理研究员为论文第一作者，周卫东教授为通讯作者。
编者按：本文原作者吴捷，目前于中山大学就读研究生。研究领域为计算机视觉与自然语言处理。本文原载于知乎，经作者授权发布。欢迎去GitHub给大佬加星。
LeNet-5是一个经典的卷积神经网络（CNN）算法，由Yann LeCun等人于1998年提出。它是第一个成功应用于手写数字识别的卷积神经网络，将深度学习引入到了计算机视觉领域。LeNet-5算法由七个网络层组成，其中包含了卷积层、池化层和全连接层，以及非线性激活函数等。
对于识别、检测、语义分割、人体姿势检测等富有挑战性的任务，当前最佳性能通常是通过卷积神经网络（CNN）取得的。有证据表明，这些方法成功背后的关键特征是过度参数化（over-parametrization），其有助于找出良好的局部最小值。但与此同时，过度参数化导致大量冗余，并且从统计学角度看，由于过度参数化增加的参数过多，它或许会阻碍泛化。
原标题：独家 |《TensorFlow实战》作者黄文坚：四大经典CNN网络技术原理
卷积神经网络（Constitutional Neural Networks, CNN）是在多层神经网络的基础上发展起来的针对图像分类和识别而特别设计的一种深度学习方法。先回顾一下多层神经网络:
【导读】自从2012年深度学习兴起以来，深度，宽度，多尺度，分辨率，group数目，注意力模块等等都是影响卷积神经网络性能的关键因素。因此，后面大多网络比如：VGGNet、HighwayNet、ResNet、IResNet等通过增加网络的深度来提高性能，而Inception系列则是从宽度层面逐渐提高卷积神经网络性能. 详细解读见一文详解Inception家族的前世今生（从InceptionV1-V4、Xception）附全部代码实现 ResNeXt则从增加Group数量的方法来提高网络模型性能。SENet、CBAM、SKNet则是引入注意力模块来提升卷积神经网络模型性能。而本文将主要介绍首个仅需12层（从depth维度来看）的网络就能在ImageNet上达到80.7%的Top-1准确率，它通过利用并行子结构成功地构建了一个高性能的「非深度」神经网络，该网络在 ImageNet上Top-1 Acc 达到了80.7%、在 CIFAR10 上达到96.12%、在 CIFAR100 上达到了81.35%的top-1 准确率。在进一步迁移到下游任务时，它在标准公开数据集MS-COCO 上达到 48% AP .
VGGNet于2014年提出，在文献VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 中有详细介绍。
深度学习是人工智能领域的一个重要分支，它利用神经网络模拟人类大脑的学习过程，通过大量数据训练模型，使其能够自动提取特征、识别模式、进行分类和预测等任务。近年来，深度学习在多个领域取得了显著的进展，尤其在自然语言处理、计算机视觉、语音识别和机器翻译等领域取得了突破性的进展。随着算法和模型的改进、计算能力的提升以及数据量的增长，深度学习的应用范围不断扩大，对各行各业产生了深远的影响。
今天和大家分享一下自1998~2022年来，涌现出来的那些优秀的图像识别算法模型。
SPCA每年要收养7000到9000只动物，其中有一半是抛弃的宠物，例如猫，狗，兔子和豚鼠等。识别这些宠物需要一定的时间，可能会增加等待收养的时间。
生成对抗神经网络（Generative Adversarial Nets，GAN）是一种深度学习的框架，它是通过一个相互对抗的过程来完成模型训练的。典型的GAN包含两个部分，一个是生成模型（Generative Model，简称G），另一个是判别模型（Discriminative Model，简称D）。生成模型负责生成与样本分布一致的数据，目标是欺骗判别模型，让判别模型认为生成的数据是真实的；判别模型试图将生成的数据与真实的样本区分开。生成模型与判别模型相互对抗、相互促进，最终生成模型能够生 成以假乱真的数
卷积神经网络最早是主要用来处理图像信息。如果用全连接前馈网络来处理图像时，会存在以下两个问题：
选自cv-tricks 机器之心编译 作者：KOUSTUBH 参与：路雪、刘晓坤 卷积神经网络对视觉识别任务很有帮助。优秀的卷积神经网络具有数百万个参数和大量隐藏层。事实上，一个错误的经验法则是：「隐藏层的数量越多，卷积神经网络越好」。流行的卷积神经网络有 AlexNet、VGG、Inception、ResNet。这些网络为什么性能如此好？它们是如何设计的呢？为什么它们的结构是现在这样？本文给出了一个简单而全面的概述。 这些问题的答案并不简单，无法全部涵盖在一篇博客中。在本文中，我将讨论这些问题。网络架构
人脸识别技术在安防领域得到了广泛的应用，但是传统的人脸识别算法存在着准确率低、受光线、角度、表情等影响的问题。近年来，深度学习技术的发展使得人脸识别算法的准确率得到了大幅度的提高。本文将介绍如何利用深度学习技术提高人脸识别的准确率。
在 2012 年的 ILSVRC 比赛中 Hinton 的学生 Alex Krizhevsky 使用深度卷积神经网络模型 AlexNet 以显著的优势赢得了比赛，top-5 的错误率降低至了 16.4% ，相比第二名的成绩 26.2% 错误率有了巨大的提升。 AlexNet 再一次吸引了广大研究人员对于卷积神经网络的兴趣，激发了卷积神经网络在研究和工业中更为广泛的应用。现在基于卷积神经网络计算机视觉还广泛的应用于医学图像处理，人脸识别，自动驾驶等领域。越来越多的人开始了解卷积神经网络相关
春恋慕阅读西安电子科技大学陈鹏飞的论文 用于大规模图像检索的深度哈希网络研究 李聪的技术博客
最新揭晓结果的全球胸部多器官分割大赛，腾讯旗下顶级AI实验室——腾讯优图与厦门大学王连生老师实验室联手，以TencentX之名从全球638支队伍中脱颖而出。
原创声明：本文为 SIGAI 原创文章，仅供个人学习使用，未经允许，不得转载，不能用于商业目的。
作者：Joseph Bethge、Marvin Bornstein、Adrian Loy、Haojin Yang、Christoph Meinel
开篇的这张图代表ILSVRC历年的Top-5错误率，我会按照以上经典网络出现的时间顺序对他们进行介绍，同时穿插一些其他的经典CNN网络。
今天总结了一些关于「卷积神经网络」的经典论文分享给大家，希望可以给大家发论文提供一些灵感。
摘要 研究主要贡献是通过非常小的3x3卷积核的神经网络架构全面评估了增加深度对网络的影响，结果表明16-19层的网络可以使现有设置的网络性能得到显著提高
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
云直播
