开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

给定训练数据的CNN的理想输入大小

是根据具体的网络架构和任务需求而定的。CNN（卷积神经网络）是一种广泛应用于图像识别、计算机视觉和自然语言处理等领域的深度学习模型。

在CNN中，输入数据的大小对于网络的性能和效果具有重要影响。一般来说，CNN的输入数据可以是任意大小的图像或序列数据，但为了保持网络的稳定性和高效性，通常会对输入数据进行预处理和调整。

对于图像数据，常见的做法是将其调整为固定的大小。这样做的好处是可以方便地设计网络结构和参数，并且可以充分利用硬件加速器的并行计算能力。常见的图像输入大小包括32x32、64x64、224x224等，具体大小取决于网络的结构和任务的要求。

对于序列数据（如文本或音频），输入大小通常是指序列的长度。在处理文本时，可以将文本切分为固定长度的词向量或字符向量序列。在处理音频时，可以将音频信号切分为固定长度的时间窗口。这样做的目的是为了方便网络的训练和计算，并且可以保持输入数据的一致性。

总之，给定训练数据的CNN的理想输入大小是根据具体的网络架构和任务需求而定的，通常会根据图像大小或序列长度进行调整和预处理。具体的输入大小应根据实际情况进行选择，以达到最佳的性能和效果。

腾讯云相关产品和产品介绍链接地址：

腾讯云AI开放平台：https://cloud.tencent.com/product/ai
腾讯云图像识别：https://cloud.tencent.com/product/tii
腾讯云语音识别：https://cloud.tencent.com/product/asr
腾讯云自然语言处理：https://cloud.tencent.com/product/nlp
腾讯云音视频处理：https://cloud.tencent.com/product/mps

相关搜索:如何标记CNN的训练数据？1D CNN输入形状和训练数据形状将图像输入已经训练好的TensorFlow CNN Tensorflow中的CNN训练错误 CNN之后的LSTM如何输入和什么尺寸(输入大小)？链接器CNN的输入形状中的批处理大小训练CNN不相容的形状文本分类中CNN模型的可变输入大小？为什么我的CNN输入大小会导致ValueError？使用预训练模型(Keras，Tensorflow)，Mask R-CNN的最佳图像大小，更快的R-CNN Python CNN模型训练中的数据规范化使用预训练VGG的多数据流CNN 使用在不同数据集上训练的cnn模型在keras中训练具有多个输入3D阵列的CNN 重塑1D CNN的训练和验证数据的问题用于训练CNN的图像上的透明背景如何选择keras中CNN可视层图像的输入大小用于多输出模型的预训练CNN LSTM -将给定向量的模型训练为输入特征基于预训练模型的Mask R-CNN训练时间分配

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

超级干货 | 用万字文章总结25种正则化方法（值得收藏）

卷积神经网络已经在一些与计算机视觉相关的任务上取得了相当不错的结果，如图像分类和目标检测。这种成功可以用卷积神经元的工作原理来解释：它根据图像的空间属性来突出给定的特征。浅层网络注意是归纳一些形状或者纹理特征;然而，更深层次的网络可以检测出更复杂更抽象的特征，比如整个物体或人脸。如今，从生物识别到疾病检测，很难找到其他没有CNN的计算机视觉技术。

03

目标跟踪相关知识总结

在cnn的每个卷积层，数据都是以三维形式存在的。可以看成许多个二维图片叠在一起，其中每一个称为一个feature map。

04

使用CNN进行2D路径规划

来源：Deephub Imba 本文约3000字，建议阅读5分钟本文将介绍CNN应用于解决简单的二维路径规划问题。卷积神经网络(CNN)是解决图像分类、分割、目标检测等任务的流行模型。本文将CNN应用于解决简单的二维路径规划问题。主要使用Python, PyTorch, NumPy和OpenCV。任务简单地说，给定一个网格图，二维路径规划就是寻找从给定起点到所需目标位置（目标）的最短路径。机器人技术是路径规划至关重要的主要领域之一。A、D、D* lite 和相关变体等算法就是为解决此类问题而开发的。

02

【干货】TensorFlow 实用技巧：模型盘点，使用情况及代码样例

本文将介绍当前 TensorFlow 上的所有抽象模型，描述每个模型的使用情况以及简单的代码样例。详细的示例请访问这里：https://github.com/c0cky/TensorFlow-in-a

07

ICME 2022 | 通过定位语义块来加速图像分类

来源：Paperweekly本文约3300字，建议阅读9分钟本次文章介绍我们于 ICME-2022 发表的一项通过定位语义块来加速图像分类的工作。论文标题： Localizing Semantic Patches for Accelerating Image Classification 论文链接： https://arxiv.org/pdf/2206.03367.pdf 代码链接： https://github.com/winycg/AnchorNet 01. 引言本文的动机在于输入图片中通常存在大

03

当我们拿到数据进行建模时，如何选择更合适的算法？

2.其次，看数据特征的数据类型，然后做一些初步的数据统计，比如是否数据均衡，大致的数据分布是怎样的（不同类别的分布）

01

Advanced CNN Architectures（R-CNN系列）

除了将该图像标记为猫外，还需要定位图中的猫，典型方法是在该猫周围画一个边界框，这个方框可以看做定义该方框的一系列坐标，(x,y) 可以是方框的中心w 和 h 分别表示方框的宽和高。要计算这些值我们可以使用典型分类 CNN，用到的很多相同结构。

02

深度学习经典网络解析：8.R-CNN

目标检测（Object Detection) 就是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，通俗点说就是给定一张图片要精确的定位到物体所在位置，并完成对物体类别的识别。其准确性和实时性是整个系统的一项重要能力。

03

机器学习为CAD插上一双翅膀（下）

文中所有蓝色字体均为链接，部分外部链接无法在文章内部直接跳转，请点击阅读原文以访问链接。

02

通过概率溯因和执行进行抽象时空推理

http://wellyzhang.github.io/blog/2021/03/13/PrAE/

03

深度学习在文本分类中的应用

近期阅读了一些深度学习在文本分类中的应用相关论文（论文笔记：http://t.cn/RHea2Rs )，同时也参加了 CCF 大数据与计算智能大赛（BDCI）2017 的一个文本分类问题的比赛：让 AI 当法官，并取得了最终评测第四名的成绩 (比赛的具体思路和代码参见 github 项目 repo：http://t.cn/RHeaczg )。因此，本文总结了文本分类相关的深度学习模型、优化思路以及今后可以进行的一些工作。文本分类任务介绍文本分类是自然语言处理的一个基本任务，试图推断出给定的文本（句子

06

大规模图像检索的深度哈希方法简介

传统的图像检索过程，先通过人工对图像进行文字标注，再利用关键字来检索图像，这种依据图像描述的字符匹配程度提供检索结果的方法，称为“以字找图”(text-based image retrieval)，既耗时又主观多义。如今每一秒都有数百万图片通过各种渠道上传到各种大规模存储设备中。给定一张查询图片，快速从百万量级的图像数据库中通过图像特征来找出内容相近的一定数量的图片，这种任务被称为“基于内容的图像检索”(content-based image retrieval (CBIR))，是目前非常流行的研究方向。

30篇亮点论文、5大主题带你一览ECCV 2020研究趋势

ECCV 2020已圆满落幕。会议收到了1360篇论文投稿，其中包含104篇Oral论文、160篇Spotlight论文和1096篇Poster论文。为了更好地了解ECCV 2020的会议内容，来自深度学习专业的博士生Yassine Ouali整理了论文投稿的数据，并从以下五大主题总结了一些取得突破性成就的论文，对其进行了简要概述：

04

深度学习在文本分类中的应用

近期阅读了一些深度学习在文本分类中的应用相关论文（论文笔记)，同时也参加了CCF 大数据与计算智能大赛（BDCI）2017的一个文本分类问题的比赛：让AI当法官，并取得了最终评测第四名的成绩(比赛的具体思路和代码参见github项目repo)。因此，本文总结了文本分类相关的深度学习模型、优化思路以及今后可以进行的一些工作。欢迎转载 1. 文本分类任务介绍文本分类是自然语言处理的一个基本任务，试图推断出给定的文本（句子、文档等）的标签或标签集合。文本分类的应用非常广泛。如：垃圾邮件分类：二分类问

06

【让模型更加谦虚】Adaptive Label Smoothing方法让模型结果更加鲁棒

本文讨论了利用客观度量的方法来提高卷积神经网络(CNN)的校准性能。客观性是指在给定图像中存在来自任何类别的物体的可能性度量。大家应该都知道CNN是一个已经被证明是非常好用的分类器，它可以做到很好地定位目标对象。但是，就目前的研究进展来看，用于训练分类CNN的损失函数不会惩罚无法定位对象的问题，也不会考虑给定图像中对象的相对大小。

02

ECCV 2020 亮点摘要（下）

在本文中，作者重新审视了迁移学习的简单范式：首先在一个大规模标记数据集（例如JFT-300M和ImageNet-21k数据集）上进行预训练，然后对目标任务上的每个训练权重进行精调任务，减少目标任务所需的数据量和优化时间。作者们拟议的迁移学习框架是BiT（大转移），由许多组件组成，包含了大量构建有效模型的必需组件，使其能够借助于大规模数据集学习到通用的、可迁移的特征表达。

03

深度学习理论系列之——模型方法

深度学习的模型方法及应用上一次我发了关于深度学习基本理论与方法的文章，大家反响还不错，今天继续上次的知识，对深度学习再做一些基础性的理论介绍，希望大家多多指教。深度学习的具体模型及方法 1、自动编码器（AutoEncoder ） 2、稀疏自动编码器(Sparse AutoEncoder) 3、限制波尔兹曼机（Restricted Boltzmann Machine） 4、深信度网络（Deep Belief Networks） 5、卷积神经网络（Convolutional Neural Networks

06

卷积神经网络(CNN)基础介绍

本文是对卷积神经网络的基础进行介绍，主要内容包括卷积神经网络概念、卷积神经网络结构、卷积神经网络求解、卷积神经网络LeNet-5结构分析、卷积神经网络注意事项。

02

无人汽车无法避开没见过的物体？问题出在训练pipeline上

他们提出的目标检测方法，可以检测未见过的新物体，相对于Mask R-CNN有了巨大改进。编译丨王晔编辑丨青暮人类经常会遇到种类新颖的工具、食物或动物，尽管以前从未见过，但人类仍然可以确定这些是新物体。与人类不同，目前最先进的检测和分割方法很难识别新型的物体，因为它们是以封闭世界的设定来设计的。它们所受的训练是定位已知种类（有标记）的物体，而把未知种类（无标记）的物体视为背景。这就导致模型不能够顺利定位新物体和学习一般物体的性质。最近，来自波士顿大学、加州大学伯克利分校、MIT-IBM Watson

02

深入浅出人脸识别技术

在深度学习出现后，人脸识别技术才真正有了可用性。这是因为之前的机器学习技术中，难以从图片中取出合适的特征值。轮廓？颜色？眼睛？如此多的面孔，且随着年纪、光线、拍摄角度、气色、表情、化妆、佩饰挂件等等的不同，同一个人的面孔照片在照片象素层面上差别很大，凭借专家们的经验与试错难以取出准确率较高的特征值，自然也没法对这些特征值进一步分类。深度学习的最大优势在于由训练算法自行调整参数权重，构造出一个准确率较高的f(x)函数，给定一张照片则可以获取到特征值，进而再归类。本文中笔者试图用通俗的语言探讨人脸识别技术，首先概述人脸识别技术，接着探讨深度学习有效的原因以及梯度下降为什么可以训练出合适的权重参数，最后描述基于CNN卷积神经网络的人脸识别。

06

Nat. Mach. Intell. | 使用指数激活函数改进卷积网络中基因组序列模体的表示

今天为大家介绍的是来自Peter K. Koo的一篇关于基因组表示的论文。深度卷积神经网络（CNN）在对调控基因组序列进行训练时，往往以分布式方式构建表示，这使得提取具有生物学意义的学习特征（如序列模体）成为一项挑战。在这里，作者对合成序列进行了全面分析，以研究CNN激活对模型可解释性的影响。作者表明，在第一层过滤器中使用指数激活与其他常用激活相比，始终导致可解释且鲁棒的模体表示。令人惊讶的是，作者证明了具有更好测试性能的CNN并不一定意味着用属性方法提取出更可解释的表示。具有指数激活的CNN显着提高了用属性方法恢复具有生物学意义的表示的效果。

02

谷歌：神经网络相似性如何帮助我们理解训练和泛化

为了解决任务，深度神经网络（DNN）逐步将输入数据转换为一系列复杂表征（即跨越单个神经元的激活模式）。理解这些表征非常重要，不仅是为了解释，也是为了我们可以更智能地设计机器学习系统。但是，理解这些表征方式非常困难，特别是在比较网络中的表征。在之前的文章中，研究者概述了典型相关分析（CCA）作为理解和比较卷积神经网络（CNN）表征工具的好处，表明了它们在自下而上的模式中会聚，在训练过程中，早期层会逐渐融合到最终层中。

02

使用Keras和OpenCV实时预测年龄、性别和情绪 (详细步骤+源码)

来源 | https://towardsdatascience.com/real-time-age-gender-and-emotion-prediction-from-webcam-with-keras-and-opencv-bde6220d60a

02

机器学习为CAD插上一双翅膀（上）

基于机器学习在无数行业中得到了充分利用，从网络上的提示性搜索到照片库存图像推荐。其核心是，推荐引擎可以在大量数据库中查询相关信息（文本、图像等），并在用户与给定界面交互时将其显示给用户。随着大型3D数据仓库的聚合，架构和设计可以从类似的实践中受益。

04

DRT: A Lightweight Single Image Deraining Recursive Transformer

过度参数化是深度学习中常见的技术，以帮助模型学习和充分概括给定的任务；然而，这往往导致巨大的网络结构，并在训练中消耗大量的计算资源。最近在视觉任务上强大的基于Transformer的深度学习模型通常有很重的参数，并承担着训练的难度。然而，许多密集预测的低级计算机视觉任务，如去除雨痕，在实践中往往需要在计算能力和内存有限的设备上执行。因此，我们引入了一个基于递归局部窗口的自注意结构，并提出了去雨递归Transformer（DRT），它具有Transformer的优越性，但需要少量的计算资源。特别是，通过递归结构，我们提出的模型在去雨中只使用了目前表现最好的模型的1.3%的参数数量，同时在Rain100L基准上超过最先进的方法至少0.33dB。消融研究还调查了递归对去雨结果的影响。此外，由于该模型不是刻意为去雨设计的，它也可以应用于其他图像复原任务。我们的实验表明，它可以在去雪上取得有竞争力的结果。

02

【私人整理】空间金字塔池化网络SPPNet详解

之前的深度卷积神经网络（CNNs）都需要输入的图像尺寸固定（比如224×224）。这种人为的需要导致面对任意尺寸和比例的图像或子图像时降低识别的精度。为什么会降低精度呢？由于输入的图像大小固定，即数据维度固定，但是现实样本中往往很多样本是大小不一的，为了产生固定输入大小的样本，有两种主要的预处理措施：

06

DL | 语义分割综述

语义分割是计算机视觉中的基本任务，在语义分割中我们需要将视觉输入分为不同的语义可解释类别，「语义的可解释性」即分类类别在真实世界中是有意义的。例如，我们可能需要区分图像中属于汽车的所有像素，并把这些像素涂成蓝色。

02

PrObeD方法开源 | 主动方法助力YOLOv5/Faster RCNN/DETR在COCO/GOD涨点

通用的2D目标检测（GOD）已经从早期的传统检测器发展到基于深度学习的目标检测器。深度学习方法的发展在近年来经历了许多架构上的变化，包括单阶段，两阶段，基于CNN的，基于Transformer的，以及基于扩散的方法。所有这些方法的目标都是预测图像中目标的2D边界框和它们的类别。

05

R-CNN、SPP-Net、Fast R-CNN…你都掌握了吗？一文总结目标检测必备经典模型（一）

机器之心专栏本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。本文将分 3 期进行连载，共介绍 16 个在目标检测任务上曾取得 SOTA 的经典模型。第 1 期：R-CNN、SPP-Net、Fast R-CNN、Faster R-C

03

基于三维卷积神经网络的点云标记

本文研究三维点云的标记问题。介绍了一种基于三维卷积神经网络的点云标记方法。我们的方法最大限度地减少了标记问题的先验知识，并且不像大多数以前的方法那样需要分割步骤或手工制作的特征。特别是，我们提出了在培训和测试过程中处理大数据的解决方案。在包含7类对象的城市点云数据集上进行的实验显示了我们应用程序的鲁棒性。

03

YOLO

假设我要训练一个 CNN 来识别三种类别：人、猫、狗。因此输出向量Y将只有三个元素C1、C2、C3，每个元素都是一个类别得分。如果有更多类别，这个向量将边长。对于上图，我们希望训练CNN识别图像中的人，并用一个边界框定位人。为此，向输出向量中添加边界框参数-x、y、w、h用于确定边界框的大小。x、y确定边框中心坐标;w、h确定边界框的宽和高。

03

深度学习入门

引言近几年来人工智能越来越火，大家都已经知道了AlphaGo的威力，然而在其背后，从技术层面来说，深度学习功不可没。那么深度学习到底是什么，其与传统的机器学习之间又有什么样的关联。对于想入坑深度学习的同学，又该从哪些方面入手。这就是本文要回答的问题。深度学习的提出先从深度学习的提出开始说起，深度学习的概念是由Hinton在2006年提出，他当时首次提出了深度信念网络(DBN)，相比之前，他采用无监督方式逐层训练深层网络，在深层网络训练中取得了跨越式的进展。虽然称为是深度

07

开启生成式视频压缩：谷歌基于GAN来实现，性能与HEVC相当

选自arXiv 机器之心编译编辑：陈萍来自谷歌的研究者提出了一种基于生成对抗网络 (GAN) 的神经视频压缩方法，该方法优于以前的神经视频压缩方法，并且在用户研究中与 HEVC 性能相当。通常，视频压缩的目标是通过利用时间和空间冗余来降低存储视频所需的比特率，同时保留视觉内容，目前广泛使用的方法是非神经标准编解码器（例如 H.264/AVC 、H.265/HEVC）。一些研究表明，神经网络在学习视频压缩方面取得了更好的进展，最新的方法在峰值信噪比（PSNR）方面可以与 HEVC 相媲美，或者在 MS

02

目标检测模型学习笔记

比起图像分类任务的数据扩增，目标检测的难点在于，要保持边界框和发生形变的图像之间的一致性 (Consistency) 。

01

CvT：微软提出结合CNN的ViT架构 | 2021 arxiv

论文: CvT: Introducing Convolutions to Vision Transformers

01

别魔改网络了，Google研究员：模型精度不高，是因为你的Resize方法不够好！

尽管近年来卷积神经网络很大地促进了计算机视觉的发展，但一个重要方面很少被关注：图像大小对被训练的任务的准确性的影响。在本文介绍了一篇谷歌在ICCV2021的工作，作者提出了一个可学习的调整器模型（resizer model）来提高模型的性能。 >>加入极市CV技术交流群，走在计算机视觉的最前沿

01

别魔改网络了，Google研究员：模型精度不高，是因为你的Resize方法不够好！

尽管近年来卷积神经网络很大地促进了计算机视觉的发展，但一个重要方面很少被关注：图像大小对被训练的任务的准确性的影响。在本文介绍了一篇谷歌在ICCV2021的工作，作者提出了一个可学习的调整器模型（resizer model）来提高模型的性能。

03

入门 | 一文了解什么是语义分割及常用的语义分割方法有哪些

人类是如何描述场景的？我们可能会说「窗户下有一张桌子」，或者「沙发右边有一盏灯」。图像理解的关键在于将一个整体场景分解成几个单独的实体，这也有助于我们推理目标的不同行为。

02

Nat. Commun | 利用深度学习预测脑年龄

今天给大家介绍Stefansson与Ulfarsson等人在Nature Communications volume上发表的文章“Brain age prediction using deep learning uncovers associated sequence variants”。一个人的预测年龄和实际年龄之间的差异，即预测年龄差(PAD)，是与衰老和脑部疾病相关的一种表型。作者通过深度学习的方法根据大脑结构磁共振成像(MRI)估计年龄,该方法在一个健康的冰岛人的数据集上进行了训练，并利用迁移学习在两个数据集:IXI和UK Biobank上进行了测试,得到了较理想的预测结果。在UK Biobank中，对PAD进行全基因组关联分析（GWAS）,发现了与脑结构相关的序列变体。

02

ECCV 2020 亮点摘要（上）

原文链接 / https://yassouali.github.io/ml-blog/eccv2020/

03

ECCV 2020 亮点摘要（上）

与我的CVPR2020帖子类似，为了了解今年会议的总体趋势，我将在这篇博客文章中总结一些引起我注意的论文（列出一些），并对整个会议进行概括。

03

rcnn算法原理_十大算法R实现

所以需要一些他的方法解决目标检测（多个目标）的问题，试图将一个检测问题简化成分类问题

02

最先进的图像分类算法：FixEfficientNet-L2

FixEfficientNet 是一种结合了两种现有技术的技术：来自 Facebook AI 团队的 FixRes [2] 以及由 Google AI 研究团队首先提出的EfficientNet [3]。FixRes 是 Fix Resolution 的缩写形式，它尝试为用于训练时间的 RoC（分类区域）或用于测试时间的裁剪保持固定大小。EfficientNet 是 CNN 尺度的复合缩放，可提高准确性和效率。本文旨在解释这两种技术及其最新技术。

02

VGG16 、VGG19 、ResNet50 、Inception V3 、Xception介绍

卷积神经网络在视觉识别任务上的表现令人称奇。好的CNN网络是带有上百万参数和许多隐含层的“庞然怪物”。事实上，一个不好的经验规则是：网络越深，效果越好。AlexNet，VGG，Inception和ResNet是最近一些流行的CNN网络。为什么这些网络表现如此之好？它们是如何设计出来的？为什么它们设计成那样的结构？回答这些问题并不简单，但是这里我们试着去探讨上面的一些问题。网络结构设计是一个复杂的过程，需要花点时间去学习，甚至更长时间去自己动手实验。首先，我们先来讨论一个基本问题：

03

【论文笔记】2017-ACL-Neural Belief Tracker: Data-Driven Dialogue State Tracking

作者提出了一种新的神经信念跟踪 (NBT) 框架，基于表示学习的最新进展，克服了上述问题。NBT 模型是对预先训练好的单词向量进行推理，学习将它们组合成用户话语和对话上下文的分布式表示。我们对两个数据集的评估表明，这种方法超过了过去的局限性，匹配了最先进的模型的性能，这些模型依赖于手工制作的语义词汇，并在不提供这些词汇时表现优于它们。

04

目标检测——SPPNet【含全网最全翻译】「建议收藏」

论文：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 空间金字塔池化，大神何恺明于2014年写的paper: 论文地址：https://arxiv.org/pdf/1406.4729.pdf RCNN在2013年发表后，大佬在2014年提出了空间金字塔池化，性能和准确率都大幅提高，且在后面很多网络中都延续了这一思想。这篇文章比较长，我们也基于论文将其大体翻译了一下，伙伴们要耐心看呀！那么让我们一起开始学习吧！先放上大佬的照片来镇楼：

01

图视觉模型崛起 | MobileViG同等精度比MobileNetv2快4倍，同等速度精度高4%！

人工智能（AI）和机器学习（ML）在过去十年中取得了爆炸式的增长。在计算机视觉中，这种增长背后的关键驱动力是神经网络的重新出现，尤其是卷积神经网络（CNNs）和最近的视觉Transformer。尽管通过反向传播训练的神经网络是在20世纪80年代发明的，但它们被用于更小规模的任务，如字符识别。直到AlexNet被引入ImageNet竞赛，神经网络reshape人工智能领域的潜力才得以充分实现。

04

如何在深度学习结构中使用纹理特征

这是前一篇文章的继续，在这第篇文章中，我们将讨论纹理分析在图像分类中的重要性，以及如何在深度学习中使用纹理分析。

03

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

现有的深度卷积神经网络(CNNs)需要一个固定大小的输入图像(如224×224)。这一要求是“人为的”，可能会降低对任意大小/尺度的图像或子图像的识别精度。在这项工作中，我们为网络配备了另一种池化策略，“空间金字塔池”，以消除上述要求。这种新的网络结构称为SPP-net，可以生成固定长度的表示，而不受图像大小/比例的影响。金字塔池对物体变形也有很强的鲁棒性。基于这些优点，SPP-net一般应改进所有基于cnn的图像分类方法。在ImageNet 2012数据集中，我们证明了SPP-net提高了各种CNN架构的准确性，尽管它们的设计不同。在Pascal VOC 2007和Caltech101数据集中，SPP-net实现了最先进的分类结果使用单一的全图像表示和没有微调。在目标检测中，spp网络的能力也很重要。利用SPP-net算法，只对整个图像进行一次特征映射计算，然后将特征集合到任意区域(子图像)，生成固定长度的表示形式，用于训练检测器。该方法避免了卷积特征的重复计算。在处理测试图像时，我们的方法比R-CNN方法快24-102×，而在Pascal VOC 2007上达到了更好或相近的精度。在2014年的ImageNet Large Scale Visual Recognition Challenge (ILSVRC)中，我们的方法在所有38个团队中目标检测排名第二，图像分类排名第三。本文还介绍了本次比赛的改进情况。

02

TensorFlow 2.0入门

谷歌于2019年3月6日和7日在其年度TensorFlow开发者峰会上发布了最新版本的TensorFlow机器学习框架。这一新版本使用TensorFlow的方式进行了重大改进。TensorFlow拥有最大的开发者社区之一，从机器学习库到完善的机器学习生态系统已经走过了漫长的道路。

03

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

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭