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

CNN (VGG-16)验证准确性的奇怪行为

CNN (VGG-16)是一种卷积神经网络模型，它是基于VGGNet架构设计的。VGGNet是由牛津大学的研究团队提出的一种深度卷积神经网络模型，具有较小的卷积核尺寸和更深的网络层次结构。VGG-16是VGGNet的一个变种，它包含16个卷积层和3个全连接层。

CNN (VGG-16)的验证准确性的奇怪行为可能指的是在使用该模型进行验证时出现的一些异常或不符合预期的行为。以下是一些可能导致奇怪行为的因素：

数据集问题：CNN模型的验证准确性可能受到使用的数据集的影响。如果数据集中存在噪声、标签错误或不平衡的情况，可能会导致验证结果出现异常。
模型训练问题：如果CNN模型在训练过程中没有充分收敛或存在过拟合的情况，验证准确性可能会受到影响。过拟合指的是模型在训练集上表现良好，但在未见过的数据上表现较差。
参数设置问题：CNN模型的验证准确性还可能受到模型参数的选择和设置的影响。例如，学习率、正则化参数等参数的选择可能会影响模型的性能。

为了解决CNN (VGG-16)验证准确性的奇怪行为，可以采取以下措施：

数据预处理：对数据集进行预处理，包括数据清洗、标签校验和数据平衡等，以确保数据集的质量和平衡性。
模型调优：通过调整模型的超参数，如学习率、正则化参数等，可以改善模型的性能。可以使用交叉验证等技术来选择最佳的超参数组合。
增加训练数据量：增加训练数据量可以减少过拟合的风险，提高模型的泛化能力。
使用集成学习方法：通过使用集成学习方法，如Bagging、Boosting等，可以进一步提高模型的性能和鲁棒性。

腾讯云提供了一系列与深度学习和卷积神经网络相关的产品和服务，例如：

腾讯云AI智能图像识别：提供了丰富的图像识别和分析能力，包括图像分类、目标检测、人脸识别等。链接地址：https://cloud.tencent.com/product/aiimage
腾讯云AI智能视频：提供了视频内容分析和处理的能力，包括视频分类、视频标签、视频审核等。链接地址：https://cloud.tencent.com/product/aivideo
腾讯云GPU服务器：提供了高性能的GPU服务器实例，适用于深度学习和计算密集型任务。链接地址：https://cloud.tencent.com/product/cvm/gpu

请注意，以上仅为示例，具体的产品选择应根据实际需求和情况进行评估和选择。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

狗盲不存在！印度小哥实战搭建狗品种识别算法，只要7步

包括8351张狗图像，分为训练（6680）、验证（835）和测试（836）数据集，以及13233 张人脸。

06

SSD（单次多盒检测）用于实时物体检测

卷积神经网络在检测图像中的物体时优于其他神经网络结构。很快，研究人员改进了 CNN 来进行对象定位与检测，并称这种结构为 R-CNN（Region-CNN）。R-CNN 的输出是具有矩形框和分类的图像，矩形框围绕着图像中的对象。以下是 R-CNN 的工作步骤：

02

【文本检测与识别-白皮书-3.1】第三节：算法模型

2014年论文《Rich feature hierarchies for accurate object detection and semantic segmentation Tech report》提出R-CNN模型，即Regions with CNN features。这篇论文可以算是将CNN方法应用到目标检测问题上的开山之作。

03

Deep Residual Learning for Image Recognition

更深层次的神经网络更难训练。我们提出了一个残差学习框架来简化网络的训练，这些网络比以前使用的网络要深入得多。我们显式地将层重新表示为参考层输入的学习剩余函数，而不是学习未引用的函数。我们提供了全面的经验证据表明，这些剩余网络更容易优化，并可以从大幅增加的深度获得精度。在ImageNet数据集上，我们评估了高达152层的剩余网—比VGG网[41]深8×，但仍然具有较低的复杂性。这些残差网的集合在ImageNet测试集上的误差达到3.57%，该结果在ILSVRC 2015年分类任务中获得第一名。我们还对CIFAR-10进行了100层和1000层的分析。在许多视觉识别任务中，表征的深度是至关重要的。仅仅由于我们的深度表示，我们获得了28%的相对改进的COCO对象检测数据集。深度残差网是我们参加ILSVRC & COCO 2015竞赛s1的基础，并在ImageNet检测、ImageNet定位、COCO检测、COCO分割等方面获得第一名。

01

Single-Shot Refinement Neural Network for Object Detection

对于目标检测，两阶段方法(如Faster R-CNN)的准确率最高，而单阶段方法(如SSD)的效率较高。为了在继承两种方法优点的同时克服它们的缺点，本文提出了一种新的单阶段检测器，称为RefineDet，它比两阶段方法具有更好的精度，并保持了与单阶段方法相当的效率。RefineDet由两个相互连接的模块组成，即锚点细化模块和目标检测模块。具体来说，前者的目的是(1)过滤掉负锚点，减少分类器的搜索空间，(2)粗调锚点的位置和大小，为后续回归器提供更好的初始化。后一个模块以改进后的锚为输入，进一步改进回归，预测多类标签。同时，我们设计了一个传输连接块来传输锚点细化模块中的特征，以预测目标检测模块中目标的位置、大小和类标签。多任务丢失功能使我们能够以端到端方式训练整个网络。在PASCAL VOC 2007、PASCAL VOC 2012和MS COCO上的大量实验表明，RefineDet能够以高效的方式实现最先进的检测精度。

01

RCNN学习笔记(7):Faster R-CNN 英文论文翻译笔记

reference link：http://blog.csdn.net/liumaolincycle/article/details/48804687

03

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

最先进的目标检测网络依赖于区域建议算法来假设目标位置。SPPnet和Faster R-CNN等技术的进步，降低了检测网络的运行时间，但是暴露了区域提案计算的瓶颈。在这项工作中，我们引入了一个与检测网络共享全图像卷积特性的区域建议网络(RPN)，从而实现了几乎免费的区域建议。RPN是一个完全卷积的网络，它同时预测每个位置的目标边界和目标得分。对RPN进行端到端训练，生成高质量的区域建议，Faster R-CNN对其进行检测。通过共享卷积特性，我们进一步将RPN和Faster R-CNN合并成一个单独的网络——使用最近流行的具有“Attention”机制的神经网络术语，RPN组件告诉统一的网络去哪里看。对于非常深的VGG-16型号，我们的检测系统在GPU上帧率为5帧(包括所有步骤)，同时在PASCAL VOC 2007、2012和MS COCO数据集上实现了最先进的目标检测精度，每张图像只有300个proposal。在ILSVRC和COCO 2015年的比赛中，Faster R-CNN和RPN是在多个赛道上获得第一名的基础。

02

Faster RCNN：RPN，anchor，sliding windows

paper链接：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks Github源码pyth

深度神经网络的实践效果分析

由于深度神经网络（DNN）作为计算机视觉领域的突出技术的出现，ImageNet分类在推进最新技术方面发挥了重要作用。虽然准确度在稳定增加，但获胜模型的资源利用率没有得到适当考虑。在这项工作中，我们提出了实际应用中的重要指标的全面分析：精度，内存占用，参数，操作计数，推理（inference）时间和功耗。关键的结果是：（1）完全连接的层对于较小批量的图像是无效的; （2）准确性和推理时间呈双曲关系; （3）能量约束是最大可实现精度和模型复杂度的上限; （4）操作次数是推理时间的可靠估计。我们相信，我们的分析提供了一组令人信服的信息，有助于设计和设计有效的DNN。

01

2012到2020主要的CNN架构总结

CNN被设计用于图像识别任务，最初是用于手写数字识别的挑战（Fukushima 1980，LeCun 1989）。CNN的基本设计目标是创建一个网络，其中网络早期层的神经元将提取局部视觉特征，而后期层的神经元将这些特征组合起来以形成高阶特征。

01

使用深度学习进行分心驾驶检测

https://github.com/Apoorvajasti/Distracted-Driver-Detection

02

CVPR 2019 | 旷视提出新型目标检测损失函数：定位更精准

52CV曾经第一时间报道过Softer-NMS:CMU&旷视最新论文提出定位更加精确的目标检测算法，当时引起了不少读者对Softer-NMS的兴趣。

02

深度学习算法优化系列一 | ICLR 2017《Pruning Filters for Efficient ConvNets》

这篇文章是深度学习算法优化系列的第一篇文章，主要解读一篇ICLR 2017年的《Pruning Filters for Efficient ConvNets》，关于通道剪枝策略的一篇论文。论文原地址见附录。

02

如何让CNN高效地在移动端运行

COMPRESSION OF DEEP CONVOLUTIONAL NEURAL NETWORKS FOR FAST AND LOW POWER MOBILE APPLICATIONS【ICLR 2016】

04

图像预训练模型的起源解说和使用示例

三十多年来，许多研究人员在图像识别算法和图像数据方面积累了丰富的知识。如果你对图像训练感兴趣但不知道从哪里开始，这篇文章会是一个很好的开始。这篇文章简要介绍了过去的演变，并总结了现在的一些热门话题。

05

更丰富的卷积特征用于目标边缘检测

【导读】边缘检测是计算机视觉中的一个基本问题。近年来，卷积神经网络(CNNs)的出现极大地推动了这一领域的发展。现有的方法采用特定的深层CNN，但由于尺度和纵横比的变化，可能无法捕捉到复杂的数据结构。今天分享的paper提出了一种利用更丰富的卷积特征(RCF)来精确的边缘检测方法。

03

IJCAI 2018 | 让CNN跑得更快，腾讯优图提出全局和动态过滤器剪枝

作者：Shaohui Lin、Rongrong Ji、Feiyue Huang 等

03

图像预训练模型的起源解说和使用示例

来源：Deephub Imba本文约3500字，建议阅读14分钟本文文章简要介绍了研究人员在图像识别算法和图像数据方面的演变，并总结了现在的一些热门话题。三十多年来，许多研究人员在图像识别算法和图像数据方面积累了丰富的知识。如果你对图像训练感兴趣但不知道从哪里开始，这篇文章会是一个很好的开始。这篇文章简要介绍了过去的演变，并总结了现在的一些热门话题。 ImageNet 预训练模型迁移学习（热门话题）使用预训练模型识别未知图像 PyTorch ImageNet 的起源在 2000 年代初期，大多数

02

超越谷歌MobileNet！华为提出端侧神经网络架构GhostNet｜已开源

同样精度，速度和计算量均少于此前SOTA算法。这就是华为诺亚方舟实验室提出的新型端侧神经网络架构GhostNet。

01

ResNet - 2015年 ILSVRC 的赢家（图像分类，定位及检测）

在本文，我们ResNet进行了回顾。通过学习残差表征函数而不是直接学习目标表征，ResNet可以拥有多达152层的非常深的网络。

03

VGG卷积神经网络模型解析

一：VGG介绍与模型结构 VGG全称是Visual Geometry Group属于牛津大学科学工程系，其发布了一些列以VGG开头的卷积网络模型，可以应用在人脸识别、图像分类等方面，分别从VGG16～VGG19。VGG研究卷积网络深度的初衷是想搞清楚卷积网络深度是如何影响大规模图像分类与识别的精度和准确率的，最初是VGG-16号称非常深的卷积网络全称为（GG-Very-Deep-16 CNN），VGG在加深网络层数同时为了避免参数过多，在所有层都采用3x3的小卷积核，卷积层步长被设置为1。VGG的输入被设置

04

更丰富的卷积特征用于目标边缘检测（文末附有论文及源码下载）

边缘检测是计算机视觉中的一个基本问题。近年来，卷积神经网络(CNNs)的出现极大地推动了这一领域的发展。现有的方法采用特定的深层CNN，但由于尺度和纵横比的变化，可能无法捕捉到复杂的数据结构。今天分享的paper提出了一种利用更丰富的卷积特征(RCF)来精确的边缘检测方法。

01

如何快速搭建智能人脸识别系统（附代码）

网络安全是现代社会最关心的问题之一，确保只有特定的人才能访问设备变得极其重要，这是我们的智能手机设有两级安全系统的主要原因之一。这是为了确保我们的隐私得到维护，只有真正的所有者才能访问他们的设备。基于人脸识别的智能人脸识别技术就是这样一种安全措施，本文我们将研究如何利用VGG-16的深度学习和迁移学习，构建我们自己的人脸识别系统。

01

利用vgg-16登上kaggle 图像识别比赛五十强

比赛简介我用google翻译了一下葛兰荼哥在格鲁吉亚压倒树木，而甘蔗蟾蜍威胁到全球十几个国家的栖息地。这些只是许多可以对环境，经济甚至人类健康造成破坏性影响的两种入侵物种。尽管受到广泛影响，追踪入侵物种的位置和扩散的努力非常昂贵，难以进行规模化。

03

如何快速搭建智能人脸识别系统

作者 | 小白来源 | 小白学视觉网络安全是现代社会最关心的问题之一，确保只有特定的人才能访问设备变得极其重要，这是我们的智能手机设有两级安全系统的主要原因之一。这是为了确保我们的隐私得到维护，只有真正的所有者才能访问他们的设备。基于人脸识别的智能人脸识别技术就是这样一种安全措施，本文我们将研究如何利用VGG-16的深度学习和迁移学习，构建我们自己的人脸识别系统。简介本项目构建的人脸识别模型将能够检测到授权所有者的人脸并拒绝任何其他人脸，如果面部被授予访问权限或访问被拒绝，模型将提供语音响应。用户

02

深度压缩网络 | 较大程度减少了网络参数存储问题

神经网络是计算密集型和内存密集型，很难使它们用有限的硬件资源去部署在嵌入式系统中。为了解决这种限制，本文引入“深度压缩”，一共有三个阶段的流水线：剪枝、量化和霍夫编码，它们一起工作去减少神经网络的存储问题，并在没有影响精确度的情况下压缩了35倍到49倍。最后在ImageNet数据集上的实验结果，将AlexNet压缩了35倍（从240MB压缩到6.9MB）并没有精确度损失；将VGG-16压缩了49倍（从552MB压缩到11.3MB），也没有精确度损失。训练主要步骤：剪枝神经网络，只学习重要的连接；量化

05

【干货】ImageNet 历届冠军最新评析：哪个深度学习模型最适合你？

【新智元导读】ImageNet 图像分类竞赛极大地推动了深度学习在计算机视觉领域的应用，《深度神经网络模型分析在实践中的应用》这篇论文从精确度、内存占用、参数、推理时间和功耗等方面对 ImageNet 获胜架构进行评析，并得出结论：（1）功耗与批量大小和架构无关；（2）准确性和推理时间呈双曲关系；（3）能量约束是最大可实现精度和模型复杂度的上限；（4）通过操作次数可以可靠评估推理的时间。论文下载地址：https://arxiv.org/pdf/1605.07678v3.pdf （文／Alfredo Ca

05

经典论文解读 : Faster R-CNN，RPN网络的诞生

《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》，该论文由CV领域大牛RGB和何凯明于2016年发表，此篇论文堪称经典论文之一。

02

CVPR 2019 | 用异构卷积训练深度CNN：提升效率而不损准确度

摘要：我们提出了一种全新的深度学习架构，其中的卷积运算利用了异构核。相比于标准的卷积运算，我们提出的 HetConv（基于异构核的卷积）能在减少计算量（FLOPs）和参数数量的同时维持表征的效率。为了展现我们所提出的卷积的有效性，我们在 VGG [30] 和 ResNet [8] 等标准卷积神经网络（CNN）上进行了广泛的实验并给出了实验结果。我们发现，使用我们提出的 HetConv 过滤器替换了这些架构中的标准卷积过滤器之后，我们能在 FLOPs 方面实现 3 到 8 倍的速度提升，同时还能维持（有时候能提升）准确度。我们将我们提出的卷积与分组/深度方面的卷积进行了比较，结果表明它能在显著提升准确度的同时将 FLOPs 降低更多。

02

CVPR清华大学研究新成果，高效视觉目标检测框架RON

来源：新智元作者：孙涛，孙富春等编译：熊笑本文长度为2200字，建议阅读4分钟本文为你介绍高效视觉目标检测框架RON。 [ 导读 ]当前最好的基于深度网络的目标检测框架可以分为两个主要方法流派：基于区域的方法（region-based）和不基于区域（region-free）的方法。两种方法各有优势和劣势。一项由清华大学和英特尔中国研究院的研究者共同参与的研究结合了以上两种方法的优点，提出了一个有效、高效的通用对象检测框架 Ron。研究设计了反向连接，使网络能够检测多层 CNN 中的对象；提出了

05

如何使用Faster R-CNN来计算对象个数

准确地在给定的图像或视频帧中计算对象个数的实例是机器学习中很难解决的问题。尽管许多解决方案已经被开发出来，用来计算人、汽车和其他物体的数量，但是没有一个是完美的办法。当然，我们这里讨论的是图像处理，所

04

CVPR 2019 | 用异构卷积训练深度CNN：提升效率而不损准确度

对于深度卷积神经网络而言，准确度和计算成本往往难以得兼，研究界也一直在探索通过模型压缩或设计新型高效架构来解决这一问题。印度理工学院坎普尔分校的一篇 CVPR 论文则给出了一个新的思路——使用异构的卷积过滤器；实验表明这种方法能在保证准确度的同时显著降低计算成本。

01

CVPR清华大学研究，高效视觉目标检测框架RON

【新智元导读】当前最好的基于深度网络的目标检测框架可以分为两个主要方法流派：基于区域的方法（region-based）和不基于区域（region-free）的方法。两种方法各有优势和劣势。一项由清华大学和英特尔中国研究院的研究者共同参与的研究结合了以上两种方法的优点，提出了一个有效、高效的通用对象检测框架 Ron。研究设计了反向连接，使网络能够检测多层 CNN 中的对象；提出了 objectness prior 来引导目标对象搜索；利用多任务损失函数优化整个网络，这样网络就能直接预测最终检测结果。在测试中，

07

基于转移学习的图像识别

算法该如何分辨这只狗可能属于哪个品种？当然小伙伴们可以训练自己的卷积神经网络来对这张图片进行分类，但是通常情况下我们既没有GPU的计算能力，也没有时间去训练自己的神经网络。但是，全世界的各个研究团队（例如牛津，谷歌，微软）都拥有足够的计算能力，时间和金钱，而且以前可能已经解决过一些类似的问题。我们该如何利用他们已经完成的工作呢？现在来让我们了解一个重要的概念——转移学习。

02

获奖无数的深度残差学习，清华学霸的又一次No.1 | CVPR2016 最佳论文

图像识别的深度残差学习————联合编译：李尊，陈圳、章敏摘要在现有基础下，想要进一步训练更深层次的神经网络是非常困难的。我们提出了一种减轻网络训练负担的残差学习框架，这种网络比以前使用过的网络本质上层次更深。我们明确地将这层作为输入层相关的学习残差函数，而不是学习未知的函数。同时，我们提供了全面实验数据，这些数据证明残差网络更容易优化，并且可以从深度增加中大大提高精度。我们在ImageNet数据集用152 层--比VGG网络深8倍的深度来评估残差网络，但它仍具有较低的复杂度。在ImageNet测试集中，

深度 | ImageNet 历届冠军架构最新评析：哪个深度学习网络最适合你

【新智元导读】计算机图像计算水平稳步的增长，但各大厉害的模型尚未得到合理应用。在这篇 ICLR 2017 提交论文《深度神经网络模型分析在实践中的应用》中，作者从精确度、内存占用、参数、推理时间和功耗等方面分析比较 ImageNet 历届冠军架构，为有效设计及应用深度神经网络提供了最新的分析资料。（文／Alfredo Canziani 等）深度神经网络自出现以来，已经成为计算机视觉领域一项举足轻重的技术。其中，ImageNet 图像分类竞赛极大地推动着这项新技术的发展。精确计算水平取得了稳步的增长，但颇具

06

基于OpenCV的棋盘图像识别

我们利用计算机视觉技术和卷积神经网络（CNN）为这个项目创建分类算法，并确定棋子在棋盘上的位置。最终的应用程序会保存整个图像并可视化的表现出来，同时输出棋盘的2D图像以查看结果。

02

检测9000类物体的YOLO9000 更好更快更强

多尺度训练YOLOv2；权衡速度和准确率，运行在不同大小图像上。YOLOv2测试VOC 2007 数据集：67FPS时，76.8mAP；40FPS时，78.6mAP。

04

基于计算机视觉的棋盘图像识别

我们利用计算机视觉技术和卷积神经网络（CNN）为这个项目创建分类算法，并确定棋子在棋盘上的位置。最终的应用程序会保存整个图像并可视化的表现出来，同时输出棋盘的2D图像以查看结果。

01

【知识库小视频预告】CNN模型压缩论文解读

《COMPRESSION OF DEEP CONVOLUTIONAL NEURAL NETWORKS FOR FAST AND LOW POWER MOBILE APPLICATIONS论文解读》

03

[Intensive Reading]目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

01

Fast R-CNN

提出了一种基于区域卷积网络的快速目标检测方法(Fast R-CNN)。Fast R-CNN建立在以前工作的基础上，使用深度卷积网络有效地分类目标建议。与之前的工作相比，Fast R-CNN在提高训练和测试速度的同时，也提高了检测精度。Fast R-CNN训练了非常深的VGG16网络，速度比R-CNN快9倍，测试时速度213被，在PASCAL VOC 2012上实现了更高的mAP。与SPPnet相比，Fast R-CNN训练VGG16快三倍，测试速度快10倍，精度更高。

01

实时视频上的神经风格迁移（具有完整的可实现代码）

近几年来，经历了计算机视觉在生活中几乎每个角落的应用 - 得益于大量数据和超级动力GPU的可用性，这些GPU已经对卷积神经网络进行了训练和部署（CNN）超级容易。今天在机器学习中最有趣的讨论之一是它如何在未来几十年影响和塑造文化和艺术生产。神经风格迁移是卷积神经网络最具创造性的应用之一。

03

【计算机视觉必读干货】图像分类、定位、检测，语义分割和实例分割方法梳理

【导读】本文作者来自南京大学计算机系机器学习与数据挖掘所（LAMDA），本文直观系统地梳理了深度学习在计算机视觉领域四大基本任务中的应用，包括图像分类、定位、检测、语义分割和实例分割。本文旨在介绍深度学习在计算机视觉领域四大基本任务中的应用，包括分类(图a)、定位、检测(图b)、语义分割(图c)、和实例分割(图d)。图像分类(image classification) 给定一张输入图像，图像分类任务旨在判断该图像所属类别。 (1) 图像分类常用数据集以下是几种常用分类数据集，难度依次递增。h

08

图像分类、检测，语义分割等方法梳理

本文旨在介绍深度学习在计算机视觉领域四大基本任务中的应用，包括分类(图a)、定位、检测(图b)、语义分割(图c)、和实例分割(图d)。

01

R-FCN: Object Detection via Region-based Fully Convolutional Networks

我们提出了基于区域的全卷积网络，用于精确和有效的目标检测。与之前的基于区域的检测器(如Fast/Faster R-CNN)相比，我们的基于区域的检测器是全卷积的，几乎所有计算都在整个图像上共享。为了实现这一目标，我们提出了位置敏感的分数映射来解决图像分类中的平移不变性与目标检测中的平移方差之间的矛盾。因此，我们的方法可以很自然地采用完全卷积的图像分类器骨干网络，如最新的残差网络(ResNets)，用于目标检测。我们使用101层ResNet在PASCAL VOC数据集上显示了很有竞争的结果(例如，在2007年的集上显示了83.6%的mAP)。同时，我们的结果在测试时的速度为每张图像170ms，比Faster R-CNN对应图像快2.5-20倍。

02

医学图像分析的深度学习

初学者的教程，在OCT视网膜图像上的pytorch中使用vgg16架构实现迁移学习。

03

【计算机视觉必读干货】图像分类、定位、检测，语义分割和实例分割方法梳理

作者：张皓【新智元导读】本文作者来自南京大学计算机系机器学习与数据挖掘所（LAMDA），本文直观系统地梳理了深度学习在计算机视觉领域四大基本任务中的应用，包括图像分类、定位、检测、语义分割和实例分割

06

基于计算机视觉的棋盘图像识别

我们利用计算机视觉技术和卷积神经网络（CNN）为这个项目创建分类算法，并确定棋子在棋盘上的位置。最终的应用程序会保存整个图像并可视化的表现出来，同时输出棋盘的2D图像以查看结果。

03

为什么我的CNN石乐志？我只是平移了一下图像而已

一般来说，图像经过小小的平移和变形之后，人类还是信任CNN能够把它们泛化，识别出里面的物体。

02

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