有没有更好的结构来训练完全卷积神经网络？
完全卷积神经网络（Fully Convolutional Neural Network，FCN）是一种用于图像分割和语义分割任务的深度学习模型。传统的卷积神经网络（CNN）在全连接层之后会丢失空间信息，因此无法直接应用于像素级别的任务。FCN通过将全连接层替换为卷积层，使得网络能够接受任意尺寸的输入图像，并在输出中保留空间信息。
为了进一步提升FCN的性能，可以采用以下结构来训练完全卷积神经网络：
- U-Net结构：U-Net是一种常用的用于图像分割的FCN结构。它由一个下采样路径和一个上采样路径组成，下采样路径用于提取图像的特征，上采样路径用于将特征映射恢复到原始图像尺寸。U-Net结构能够有效地处理边缘信息和细节信息，适用于医学图像分割等任务。
- DeepLab系列：DeepLab是一系列用于语义分割的FCN结构。它引入了空洞卷积（Dilated Convolution）和多尺度信息融合机制，能够有效地处理不同尺度的目标。DeepLabv3+是其中的最新版本，结合了空洞卷积、多尺度信息融合和全卷积网络，具有较高的分割精度。
- PSPNet结构：PSPNet（Pyramid Scene Parsing Network）是一种用于语义分割的FCN结构。它通过金字塔池化（Pyramid Pooling）机制捕捉不同尺度的上下文信息，并将其与全局上下文信息进行融合。PSPNet能够有效地处理尺度变化和物体形变等问题。
- Mask R-CNN结构：Mask R-CNN是一种用于实例分割的FCN结构。它在Faster R-CNN的基础上增加了一个分支用于生成目标的二值掩码，实现了像素级别的目标分割。Mask R-CNN在目标检测和分割任务中取得了很好的效果。
这些结构在图像分割、语义分割和实例分割等任务中具有广泛的应用场景。在腾讯云中，可以使用腾讯云AI智能图像分析服务（https://cloud.tencent.com/product/ai-image）来进行图像分割和语义分割任务的开发和部署。
相关·内容
2回答
新图像尺寸的传递学习
、、、
转移学习:将经过训练的神经网络用于新的分类任务。
当我们想要用卷积神经网络进行传递学习时，我们不需要使用与训练所用的图像大小相同的图像大小。但如果我们改变输入的大小，我们将不得不重新训练完全连接的层。见这篇文章是关于堆栈溢出的。
我不明白为什么改变输入形状不会影响卷积层的重量和为什么它会影响完全连接的层权重。
如果我的问题听不懂，请告诉我。
浏览 0提问于2019-08-16得票数 1
回答已采纳
我正在阅读Krizhevsky等人的基于深度卷积神经网络的ImageNet分类论文，并在Intro段落中看到了以下几条线：
它们(卷积神经网络)的容量可以通过改变它们的深度和宽度来控制，它们还对图像的性质(即统计量的平稳性和像素相依的局部性)作出了很强且大多数是正确的假设。因此，与具有类似尺寸层的标准前馈神经网络相比，CNN的连接和参数要少得多，因此它们更易于训练，而理论上最好的性能可能只是稍微差一些。
什么是“统计的平稳性”和“像素依赖性的局部性”？另外，CNN理论上最好的表现仅仅比前馈神经网络差一些，这有什么根据呢？
浏览 0提问于2019-07-30得票数 0
回答已采纳
1回答
我想用神经网络从图像中提取参数。
示例：
给出砖墙的图像，神经网络应该提取砖块的宽度、高度、颜色和粗糙度。
我可以为给定的参数生成图像来训练神经网络，并希望利用它从实际的图像中提取参数。
我查过CNN了。我能和他们一起执行这个任务吗？我是否需要特殊的学习算法来提取多个参数而不是分类？是否有专门为此类任务设计的NNs？
浏览 0提问于2016-06-13得票数 8
回答已采纳
2回答
我的工作是分析脑电数据，这些数据最终需要分类。然而，获得唱片的标签有点昂贵，这促使我考虑了无监督的方法，以更好地利用我们相当数量的未标记数据。
这自然导致考虑堆叠的自动编码器，这可能是一个好主意。然而，使用卷积神经网络也是有意义的，因为某种类型的滤波通常是一种非常有用的EEG方法，很可能考虑的时间应该是局部的，而不是作为一个整体来分析。
有什么好办法把这两种方法结合起来吗？似乎当人们使用CNN的时候，他们通常使用监督训练，还是什么？为我的问题探索神经网络的两个主要好处似乎是无监督的方面，以及微调(例如，创建一个关于人口数据的网络，然后对一个人进行微调)。
那么，有没有人知道我是否可以把CNN训
浏览 0提问于2017-03-21得票数 12
回答已采纳
2回答
我目前正在尝试用卷积神经网络学习一次性学习。根据这个视频，我使用的CNN应该是在MNIST上预先训练过的.为什么CNN必须接受预先训练？
浏览 0提问于2018-08-16得票数 4
假设我有一个神经网络( NN )，它被训练来识别给定的图像中的猫，有没有办法更新我的NN来识别狗？更广泛地说，我的问题是关于一种通过“加载模式库”来扩展NN的方法。
浏览 15提问于2017-01-30得票数 0
回答已采纳
2回答
神经网络函数最小化器的时间复杂度
、、、、
我试着训练一个neural network来识别A到J的手写信件。我有一套200000码的训练。每个训练集都是784像素值的列表。我的神经网络有input layer of size 784，hidden layer of size 50和output layer of size 10。
我正在使用python的fmin_cg库的scipy最小化函数。我面临的问题是，每次迭代都要花费大量的时间。
第一次迭代几乎花了7-10分钟。
第二次迭代耗时20分钟。
第三名还在跑。
这可能是因为我的电脑过时了，只有2GB的内存和一个缓慢的处理器，但是我以前用training set of size 500
浏览 0提问于2016-10-31得票数 1
回答已采纳
1回答
我正在训练一个卷积神经网络来分类雾条件下的图像(3类)。然而，对于大约150.000张图像，我还提供了四个气象变量，它们可能有助于预测图像的类别。我想知道如何将气象变量(如温度、风速)添加到现有的CNN结构中，以便有助于分类。
我已经想到的一种方法是在CNN旁边创建另一个(小的)前馈神经网络，然后将CNN层的输出和非图像神经网络的隐藏层在密集层相互连接。
我能想到的第二种方法就是将这些特征与致密层联系起来。然而，在这种情况下，非图像变量(我认为)只能进行线性预测。
是否有其他(更好的)方法可以将非图像特征包括在模型中？考虑到我拥有的数据量，什么是最好的方法？
我的另一个问题是，是否应该解冻卷积
浏览 0提问于2018-05-08得票数 23
回答已采纳
2回答
我想用一种语言训练卷积神经网络，但在另一种语言中使用它(出于各种与技术/性能相关的原因)。有没有一种通过节省权重来实现这一点的编程方法？
例如，我可以用Python训练一个多层感知器，然后将所有权重保存在一个CSV文件中，然后用Java创建一个新的MLP并使用该文件设置权重。但是，我不确定如何使用卷积神经网络做类似的事情，因为我不知道如何处理卷积层。我认为我的主要问题是理解如何导出/保存网络的卷积部分，然后将它们加载到其他地方。
浏览 0提问于2016-01-22得票数 0
1回答
多类神经网络
、、、、
这可能是一个错误的问题，或者是什么东西，所以请随意纠正我:)。
我已经研究神经网络好几周了。我偶然发现了使用神经网络的多类分类模型。
📷
正如我们在这张图中所看到的，模型允许您将输入分类为不同的类。但这也假设您的输入总是使用相同的数字特性，对吗？这意味着，如果我想识别手写数字，我应该有相同维数的图像(例如24x24)，这样我就可以使用相同数量的特性(在本例中是24x24=576)。但是，如果一个类，例如6号，需要不同数量的特征(比如手写数字6的尺寸是30×30像素)，该怎么办？
我知道这样做的逻辑方法是有两个不同的神经网络，但有没有办法同时训练一个多类别的分类模型，其中输入可能使用不同的特征？
浏览 0提问于2018-10-26得票数 1
回答已采纳
1回答
我用Keras训练了一个完全卷积的神经网络。我使用了Functional，并将输入层定义为Input(shape=(128,128,3))，这与我的训练集中图像的大小相对应。
但是，我想对变量大小的图像使用经过训练的模型(这应该可以，因为网络是完全卷积的)。为此，我需要将输入层更改为Input(shape=(None,None,3))。解决这个问题的显而易见的方法是直接使用(None,None,3)的输入形状来训练我的模型，但是我使用了一个定制的丢失函数，在这里我需要指定我的训练图像的大小。
我试图定义一个新的输入层，并将其分配给我的模型，如下所示：
from keras.engine imp
浏览 0提问于2018-04-27得票数 6
1回答
我知道，为了训练一个用于图像识别的深层神经网络，需要一个好的GPU或GPU，因为它们比CPU更适合这个任务。这是很清楚的，有许多不同的教程使用不同的库如何做到这一点。
然而，当我训练了我的深层神经网络时，在服务器上的某个web应用程序中，运行经过训练的深层神经网络来识别图像的硬件要求是什么？我的钢铁需要服务器上强大的GPU吗？什么硬件对运行预先训练过的深层神经网络- RAM、CPU、存储器来说更重要？
我能在Android应用上运行经过预先训练的网络来进行图像识别吗？是个好主意吗？
对不起，如果我的问题太含糊和宽泛，但我找不到任何适当和详细的评论，这一主题。
浏览 1提问于2018-06-27得票数 0
回答已采纳
2回答
这也许是一种简单的思维方式，但对我来说，变压器(基于注意力的神经网络)只关注输入的一个子集，学习什么对问题/预测是重要的随着训练的进行。
这与常规特征选择和神经网络在输入子集上的训练有什么不同？
浏览 0提问于2022-09-26得票数 1
我没有多少训练神经网络的经验。我有4个变量向量作为输入，我分别有3个变量输出向量。我想要创建一个神经网络，它接受这些输入和输出，这些输入和输出在它们和训练之间有一些未知的相关性(可能不是线性的)。所以当我把以前没有经过训练的数据输入时，它应该可以预测相关的输出。
我在想，
在这种情况下，我应该使用哪种类型的模型？它是否限制了boltzmann机器，回归，GAN等？
对于这样一个模型，哪个库最容易学习和实现？例：- TensorFlow，PyTorch等
如果涉及到可以作为fft阵列处理的图像，那么模型会改变吗？
我确实找到了，但我对此并不满意。请告诉我，如果有什么功能或其他
浏览 0提问于2019-08-04得票数 0
回答已采纳
所以我是神经网络世界的新手，我已经对这个领域有了一点熟悉，并开始使用我自己的网络。
我正在使用意式宽面，我发现我的神经网络的训练花费了不可行的时间。也许我所看到的问题就是咬的太多，我只是不知道，因为我还不太熟悉这些东西是怎么回事。
我试着训练一个一维卷积神经网络，它有两个一维卷积层，两个最大汇聚层和两个完全连接的层。总之，神经网络有大约95,000个参数(权重+偏差)。我正在亚马逊的EC2 GPU实例上运行这个程序。我所发现的是在训练过程中，它需要0.3秒的时间。
相比之下，当我运行美国有线电视新闻网的拉萨涅MNIST的例子，它是大约0.0003秒/样本，1000倍的速度！平心而论，我的输入样
浏览 0提问于2015-10-06得票数 1
我用keras库建立了卷积神经网络模型，tensorflow作为后端，所以我想要做的是在一点时间内对模型进行训练，然后保存该模型，然后再使用经过训练的模型来训练自己，以提高精度。那我该怎么办呢？
浏览 0提问于2019-01-26得票数 2
4回答
现在我正在学习卷积神经网络。
为什么CNN必须有固定的输入大小？
我知道可以克服这个问题(用完全卷积的神经网络等)，而且我也知道，这是由于在网络的末尾放置了完全连接的层。
但是为什么呢？我无法理解完全连接层的存在意味着什么，以及为什么我们被迫有一个固定的输入大小。
浏览 0提问于2019-11-30得票数 9
回答已采纳
如果我理解正确的话，当训练神经网络来识别图像中的对象时，通常会将单个像素映射到单个输入层节点。然而，有时我们可能有一个大的图景，只有很小的兴趣领域。例如，如果我们训练一个神经网络来识别交通标志，我们可能会看到交通标志只覆盖其中一小部分的图像，而剩下的则是道路、树木、天空等。创建一个神经网络，试图从每个位置找到一个交通标志似乎是非常昂贵的。
我的问题是，除了对图像进行预处理之外，还有什么特殊的策略可以用神经网络来处理这种情况呢？
谢谢。
浏览 1提问于2014-02-16得票数 3
回答已采纳
我正在使用VGG16训练神经网络来识别3个类别，但我没有任何固定的图像大小(对于m x n，m，n<300的图像，我所知道的就是这些)。所以我将输入层的input_shape设置为(None, None, 3)。问题是如何从3个维度(行、列、通道)下降到一个维度
浏览 5提问于2018-06-06得票数 0
3回答
我正在训练一个具有2个类和53k图像的图像分类器，并使用keras使用1.3k图像来验证它。以下是神经网络的结构：
model = Sequential()
model.add(Flatten(input_shape=train_data.shape[1:]))
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, act
浏览 2提问于2018-05-19得票数 4
1回答
根据MLOPs原理，建议使用特征存储。问题在于如何利用卷积神经网络这样的深度学习模型进行图像分类，该模型作为训练过程的一部分进行自动特征工程(使用卷积层)。
问题
对于纯图像分类/分割模型，有一个特征存储有意义吗？
哪些特性应该存储在功能存储中？卷积层的输出？但是在训练过程中，它们不能被重用，因为在训练过程中，它们会被卷积层重建。
浏览 0提问于2021-02-09得票数 0
2回答
我完全是ML和神经网络的初学者。我目前正在进行一个项目，在这个项目中，我将大量图片存储在MongoDB数据库中。这些图片中的每一张都有一个从0到1的数字，例如“图片1”0.71。
考虑到数据库我想训练我的模型。该项目的主要目标是，在模型完成和训练之后，给定一个图像，该模型将能够返回(预测)一个从0到1的数字。在做了一些研究并询问了几个人之后，我发现了一些对该项目有用的库: Tenserflow和Keras。有些人告诉我，这是不可能的，但我不确定，所以我来这里问。
所以我的问题是:这有可能吗？如果是的话，我如何实现呢？有没有您推荐的特定工具？如果您指定了一种用于我的项目的方法，那么我需要以某种形
浏览 10提问于2020-01-26得票数 2
回答已采纳
我见过很多教程都在这样做，我自己也一直坚持这个标准实践。
当涉及到训练数据的批处理大小时，我们从2,4,8,16,32,64开始，在几何级数中赋值。
即使在选择隐藏层中的神经元数量时，我们也以相同的方式分配它。这些- 2,4,8,16,32,64,128,256,512，.
这背后的核心原因是什么？为什么神经网络能更好地做到这一点？
浏览 1提问于2019-12-17得票数 6
回答已采纳
2回答
我正在使用theano实现一个卷积神经网络。我的CPU RAM是32G，GPU RAM是2G，但数据也非常大--几乎是5G的训练数据。
当程序运行时，计算机似乎被冻结了，每个操作都非常慢，甚至没有响应。而且CPU模式似乎比GPU模式至少快2倍。
有没有办法加速GPU卷积神经网络？
浏览 0提问于2015-03-14得票数 0
2回答
我正在使用Keras构建一个卷积神经网络，以执行从显微图像到2D标签数据(用于计数)的回归。我正在研究在微观数据的较小补丁上训练网络(其中补丁是接受场的大小)。问题是，fit()方法要求验证数据的大小与输入的大小相同。相反，我希望能够对整个图像(而不是补丁)进行验证，这样我就可以对我的整个验证集进行验证，并将结果与我到目前为止使用的其他方法进行比较。
我发现的一个解决方案是在每个时期在fit()和evaluate()之间切换。然而，我希望能够使用Tensorboard来观察这些结果。因为evaluate()不接受回调，所以这个解决方案并不理想。有没有人有好的方法来验证全分辨率图像，同时在补丁上
浏览 0提问于2017-06-20得票数 5
所以我正在做一些研究，有很多物体的速度和加速度数据，这些数据是两个人一起在房间里移动的。以前，我已经成功地使用LSTM和RNN训练了一个时间序列预测神经网络，以获得对未来某一时间步的对象速度的预测。
在训练了这个神经网络之后，我对它进行了扩充，以使用预测以及之前的数据来预测未来的另一个时间步长，依此类推，持续一定数量的时间步长。我已经添加了一张这是什么样子的图形，。基本上，我使用之前的数据(大小为N个时间步长乘以M个输入)来预测一个步骤，然后将此预测添加到输入的末尾，并删除输入的第一个时间步长(以保持大小N x M)，然后再次训练下一个时间步长，直到我有P个未来预测可以与测量数据进行比较。
以
浏览 4提问于2017-08-02得票数 0
回答已采纳
1回答
我有一个关于神经网络的问题，因为我不是神经网络的专家。假设有一个5×5的网格，依赖于我推送任何正方形(或组合的方块)，其中一些方块(不一定是我推过的方块)会亮起来。我的问题是：
如果我有一组输入和输出，我们能把这个问题设为NN问题吗？假设输入层有25个神经元，其中除推送的神经元为零，输出层为另一个25个神经元，除点亮的方块外，所有神经元都为零。假设在我的训练数据集中，我已经做了50次这个实验。
比方说，在我的练习场(3,3)从来没有被推过。我受过训练的模型能预测如果正方形被推入会是什么反应吗？因此，从根本上说，如果训练集中没有一个正方形，那么神经网络还能用于预测吗？
最后，如果这一切都是可能的
浏览 0提问于2018-08-17得票数 3
3回答
我正在使用autoencodeur对图像进行特征提取。我的图像是位图=>像素值=0或1
我使用以下代码：
X_train_autoencodeur = X_train.reshape(-1, 96*96)
X_valid_autoencodeur=X_valid.reshape(-1,96*96)
input_img = Input(shape=(96*96,))
encoded = Dense(1024, activation='relu')(input_img)
encoded = Dense(512, activation='relu')(enco
浏览 26提问于2019-07-16得票数 1
回答已采纳
我已经制作了一个卷积神经网络来存储数据。现在，我想要更改图像的输入。我该怎么做呢？需要将图片保存为特定的格式吗?另外，如何保存所有图片并逐个训练?我在tensorflow中使用了python。
浏览 2提问于2018-03-19得票数 0
1回答
我对阅读遥感目标检测技术综述感到有点困惑。基于机器学习的目标检测由特征提取、特征融合+降维和分类器训练三部分组成。然后，他们列出了特征提取方法：
定向梯度直方图，
一袋袋话，
纹理特征，
还有更多。
在本节的后面，他们列举了分类器培训的方法，例如：
支持向量机
AdaBoost，
最近的邻居，
神经网络
这与我对事物的理解不一致。我的经验主要是在CNN。当我使用卷积神经网络进行目标检测时，它们由特征提取器和分类器组成，不是吗？特征提取器是卷积(和/或其他)层。我从来没有遇到过一种算法/技术，它使用例如一袋单词来提取特征，然后将其提供给神经网络。我可以想象，例如一袋单词和k近邻或支持向量机。但我
浏览 0提问于2020-11-09得票数 0
1回答
这绝对是一个新手问题。caffe中的视频分类任务。
我有一个神经网络，我必须用视频(图像组)进行训练。我可以从几个选项中选择更改网络输入的形状。
在所有情况下，我都假设网络架构(层的排列和数量)和学习参数(LR/衰减/正则化等)是恒定的。
例如，我可以选择将我的输入作为以下内容之一提供给网络。
1) batch_size x (no_of_imgs*no_of_channels) x高x宽{3维输入}
2) batch_size x no_of_imgs x no_of_channels x高x宽{4维输入}
3) batch_size x no_of_channels x no_of_img
浏览 2提问于2016-05-25得票数 2
我想了解什么是最好的方法是对一个经过训练的TensorFlow神经网络进行进一步的回归分析。
具体来说，我正在研究如何从经过训练的神经网络中找到进一步的最大值/极小值(相当于从回归曲线中求出max/min )。简单的方法显然是“尝试”所有可能的组合，并检查结果集的最大值/分钟，但是当有多个输入和因变量时，测试所有组合很快就会成为一个巨大的资源接收器。
有没有办法使用经过训练的TensorFlow神经网络来进行这些进一步的分析？
浏览 7提问于2016-07-06得票数 0
回答已采纳
1回答
我一直在查看keras博客中的自动编码器：https://blog.keras.io/building-autoencoders-in-keras.html
我想知道，为了能够给出不同的表面，也就是二维矢量，需要什么母题，其中一些向量有很大的尖峰。
例如，这里我们看到一个表面看起来很干净：
📷
如果我想从这个表面去除单个的刺，神经网络会是什么样子的呢？
我是否正确地认为，一个正常的完全连接的前馈传播就足够了？如果是的话，是否有任何方法来控制阈值时，峰值是应该消除的？
此外，你是否同意训练原则仍会与在卡拉斯博客中显示的一样？如果我简单地用许多清洁表面的好例子训练它来识别自己，它会起作用吗？
浏览 0提问于2017-08-09得票数 2
回答已采纳
1回答
这是一个棘手的问题：，我如何给一个神经网络，一个动态的输入？
回答这个问题必将有助于现代人工智能在计算机视觉和语音识别以外的应用中的深入学习。我会进一步向神经网络的外行解释这个问题。
，让我们以这个简单的例子为例：
假设你需要知道在一场“抽签”游戏中获胜、输或平局的概率。
因此，我的输入可以是一个3,3矩阵，表示状态(1-You，2-敌人，0-空)：
[2. 1. 0.]
[0. 1. 0.]
[2. 2. 1.]
假设我们已经有了一个以前训练过的隐藏层，一个3,1的权重矩阵：
[1.5]
[0.5]
[2.5]
因此，如果我们使用一个简单的激活函数，它基本上是两个y(x)=W*
浏览 0提问于2016-05-12得票数 4
回答已采纳
我正在构建一个使用OpenCV来标识对象的in androidStudio。检测是可以的，但是我不知道一个简单的文件XML如何允许我的程序员识别我的对象。我所知道的是，不知何故，OpenCV使用卷积神经网络来实现这一点，所以我有必要对CNN的训练进行内部参数的调整，但XML到底是什么？这个神奇的东西是怎么工作的？
浏览 14提问于2020-03-10得票数 0
回答已采纳
2回答
我刚开始深入学习，现在还在学习如何从头开始训练我的神经网络。有时我在YouTube上看教程，甚至在MOOC平台上看在线课程。卷积神经网络的基础通常是Conv2D和MaxPooling层，以使输入更小，更容易训练。
问题是，有时本教程在线使用Conv2D的设置，神经元数量较多，而其他Conv2D的神经元数目较小。例如第一层是Conv2D(512个.)，第二层是Conv2D(256个.)还有诸如此类。另一个教程设置是增加的，比如从Conv2D(16.)开始，然后是Conv2D(32.)而且还在增加。这些老师没有告诉我们为什么他们把设置代码写成这样。
我们如何知道要使用哪种设置？他们之间有什么不同吗
浏览 0提问于2020-04-15得票数 2
1回答
卷积神经网络隐层的丢包率引导
、、、、
我目前正在建立一个卷积神经网络来玩2048年的游戏。它有卷积层，然后是6个隐藏层。所有的在线指导都提到了大约50%的辍学率。我即将开始训练，但我担心6层中每层50%的下降率有点过高，会导致身体不适。
我非常希望在这方面提供一些指导。你们推荐什么作为辍学的起点？我也很想了解你为什么推荐你的工作。
浏览 0提问于2017-12-19得票数 11
回答已采纳
2回答
在卷积神经网络中，我正在训练CNN，在训练过程中，特别是在训练开始时，我得到了非常高的训练误差。在那之后，这个误差开始慢慢下降。在大约500个时期之后，训练误差接近于零(例如0.006604)。然后，将最终得到的模型与测试数据进行比较，得到的准确率约为89.50%。这看起来正常吗？我的意思是在我的训练过程一开始就有很高的训练错误率。我想提的另一件事是，我注意到，每次我减少隐藏节点的数量，结果在我的训练结束时会变得更好。
我的CNN结构是：
config.forward_pass_scheme = {'conv_v', 'pool', 'conv_v&#
浏览 5提问于2016-03-16得票数 1
1回答
重用神经网络
、、、
我对神经网络非常陌生，但对于我的一个项目来说，它们似乎很合适。最终，该应用程序应该可以在Android手机上运行。我的想法是使用TenserFlow，但我不确定它是否合适。
我有以下情况，我的输入是一组图像(它们的顺序不应该对输出有任何影响)。集合的大小不是固定的，但在大多数情况下小于10。我对整个集合的输出只是一个二进制分类(通过/失败)。
我将有一个卷积神经网络，它计算两个输出，一个权重和一个通过/失败的值。每个图像分别提供给这个CNN，然后使用加权算术平均值将结果值聚合为最终的通过/失败值。
我的问题是，我能用TensorFlow训练这样的网络吗？
我的训练数据中没有CNN输出的值，只有
浏览 10提问于2016-08-17得票数 1
回答已采纳
1回答
利用Keras训练卷积神经网络，在使用彩色png图像(输入尺寸(高度、宽度，4))训练时，通常使用2D卷积层。然而，我现在想训练一个使用灰度png图像的网络，我想知道什么是最好的方法？
我想出了三种可能的方法：
像输入彩色图像一样输入图像。只输入图像的第一个通道，因此输入的大小是(高度、宽度，1)。使用图像的第一个通道的一维卷积，以便输入的大小是(高度、宽度)。
由于我的png格式的灰度图像在所有RGBA通道中都有相同的值，我认为我可以通过仅使用图像的第一个彩色通道进行训练和测试来减少计算时间，同时实现相同的测试精度，因为数据基本上是相同的。然而，情况并非如此。
采用方法一，每次训练3s，测试
浏览 2提问于2020-04-01得票数 0
回答已采纳
众所周知，用于目标检测的nVidia DetectNet - CNN (卷积神经网络)是基于Yolo/DenseBox：的方法。
DetectNet是流行的GoogLeNet网络的扩展。这些扩展类似于Yolo和DenseBox论文中采用的方法。
如图所示，DetectNet可以检测任何旋转的对象(cars)：
现代CNN (卷积神经网络)是DetectNet旋转不变的吗？
我能用同一旋转角度对数千幅不同的图像进行DetectNet训练，以检测任意旋转角度上的物体吗？
那么旋转不变的是: Yolo，Yolo v2，DenseBox是基于哪一个DetectNet的呢？
浏览 14提问于2016-12-03得票数 9
回答已采纳
1回答
我需要建立一个神经网络来识别多个特定形状的配置(方形，三角形…)。在图像中并改变它们的颜色作为输出。
因此，神经网络将以32x32x1 (灰度)作为输入，32x32x3作为输出。我的问题是:我应该用什么样的函数来训练我的神经网络。因为我读了一些文章来找出来，这不是一个分类或回归问题(据我所理解)，所以我有点迷失了，因为我是新来的。
考虑到我有一个与输入映像相对应的输出映像的数据库，我可以在上训练网络，在这个项目中使用Tensorflow进行
浏览 1提问于2020-10-31得票数 0
回答已采纳
我正在试验一个预先训练过的模型(例如VGG，AlexNet等)。在从另一个模型输出的嵌入的顶部。我认为，对我来说唯一不清楚的部分是，我将如何使输入维度与新增加的预培训模型一起工作？更具体地说：
classificationPre-trained 从预训练的模型1中获取图像的嵌入，将它们插入到经过预训练的模型2中，以执行图像2，需要具有特定形状的RGB图像3、x、x，而我只有shape512.的嵌入。
是否有任何方法可以让它工作，这样我就可以输入一个已经处理过的图像嵌入到另一个预先训练过的模型中，并成功地执行图像分类？
浏览 1提问于2021-09-20得票数 0
1回答
我需要获得一些关于深层神经网络的知识。
对于一个“ResNet”非常深的神经网络，我们可以使用转移学习来训练一个模型。但是Resnet已经在ImageNet数据集上接受了培训。因此，它们经过预先训练的权重可以用来训练另一个数据集的模型。(例如，用CT肺图像训练肺癌检测模型)
我觉得这种方法将是不准确的，因为预先训练的重量已经完全训练过其他物体，但没有医疗数据。
是否有可能从零开始培训resnet，而不是转移学习？(但训练resnet的可用图像数量约为1500张)。能不能用一台普通电脑。
有人能和我分享一下你的宝贵想法吗？
浏览 2提问于2018-01-01得票数 16
1回答
从输入图像到输出图像存在映射。假设输入图像是一张纸，中间有一个方形的孔，输出图像是当光线照射在纸上时输入图像的阴影，它看起来也像一个正方形，但有一些模糊和大小不同。(实际的模式要比这个正方形的洞复杂得多)我正在尝试实现一个神经网络，它可以学习这种映射，当给定输入图像时，网络可以预测输入图像的“阴影”。我尝试使用一个卷积的自动编码器结构(如这个https://blog.keras.io/building-autoencoders-in-keras.html)，将目标图像从输入图像替换为self到输出图像训练集。但看起来不太好用。我想知道什么样的神经网络适合这个任务？什么样的损失函数是合适的？
浏览 0提问于2018-04-23得票数 2
1回答
如何从C中读取火炬张量
、、、、
我必须使用Torch框架训练卷积神经网络，然后用C编写相同的网络。为此，我必须从C程序中以某种方式读取网络的学习参数，但我无法找到一种方法将火炬张量转换或写入文件，以使其在C中可读。理想情况下，我希望将张量转换为C中的double数组。
有人知道怎么做吗？(预先谢谢:)
浏览 2提问于2015-05-05得票数 1
回答已采纳
2回答
我新来的人工智能世界，并尝试了一些实践。看来我需要一些第三方的经验。
假设我需要消除图像缺陷(实际上任务更棘手)。我希望经过训练的神经网络能够对缺陷区域进行插值。
基于这些原因，我尝试创建简单的神经网络。它有输入:灰度图像与差(72*54)和相同的图像，没有缺陷。隐层有2*72*54个神经元。
主要代码段
cv::Ptr<cv::ml::ANN_MLP> ann = cv::ml::ANN_MLP::create();
int inputsCount = imageSizes.width * imageSizes.height;
std::vector<i
浏览 3提问于2017-06-19得票数 2
2回答
我们有来自两个图像的数值特征数据集，我们希望检查这些图像是否匹配，是否只使用这些特征。基本上我们有这样的专栏：
fA1，fA2，.，fA14:图像A中的14个特征
fB1，fB3，.，fB14:图像B中的14个特征
我们要预测图像A是否匹配图像B (y=1) (y=0)。所以这是一个特征匹配问题。
主要的用途是使用这个框架进行人脸识别：贝恩德·海塞尔。
那么，是否有任何已知的神经网络体系结构(我们有700万个带注释的训练集)？
注:我们没有任何图像，我们只有数字特征。
浏览 0提问于2019-01-10得票数 3
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
