本课程讲解人工神经网络的基本知识，而后详细讲解深度学习的经典模型卷积神经网络 CNN，后基于CNN 讲解一个简单的人脸识别系统。知识点包括：神经元、感知机、BP 算法、梯度优化、卷积运算、池化运算、全连接层、激活函数、深度学习python 实现等。
2021-11-21 19:42:35
5.01MB
1
为了进一步增强视频图像超分辨率重建的效果，研究利用卷积神经网络的特性进行视频图像的空间分辨率重建，提出了一种基于卷积神经网络的视频图像重建模型。采取预训练的策略用于重建模型参数的初始化，同时在多帧视频图像的空间和时间维度上进行训练，提取描述主要运动信息的特征进行学习，充分利用视频帧间图像的信息互补进行中间帧的重建。针对帧间图像的运动模糊，采用自适应运动补偿加以处理，对通道进行优化输出得到高分辨率的重建图像。实验表明，重建视频图像在平均客观评价指标上均有较大提升（PSNR 0.4 dB/SSIM 0.02），并且有效减少了图像在主观视觉效果上的边缘模糊现象。与其他传统算法相比，在图像评价的客观指标和主观视觉效果上均有明显的提升，为视频图像的超分辨率重建提供了一种基于卷积神经网络的新颖架构，也为进一步探索基于深度学习的视频图像超分辨率重建方法提供了思路。
2021-11-17 21:11:12
1.31MB
1
针对海思 HI3516DV300 媒体处理芯片开发的编解码核心板，展示 HI3516DV300 芯片的多媒体功能和外围接口，应用于 AI双目摄像机、智能平板终端、往智慧社区、门禁通道、人脸支付等方向，极大缩短客户产品的开发周期；
2021-11-08 09:28:33
3.16MB
1
Neural Networks and DeepLearning - Michael Nielsen 中文 PDF 带书签
Neural Networks and DeepLearning - Michael Nielsen 中文 PDF 带书签
Neural Networks and DeepLearning - Michael Nielsen 中文 PDF 带书签
2021-10-29 09:28:30
3.24MB
1
塑料手机外壳出厂合格检测时, 使用传统的人工辨别外观缺陷, 费时费力. 利用深度学习的卷积神经网络模型训练一个分类器, 实现手机外壳外观出现的划痕缺陷自动化检测, 可以极大的提高工作效率. 实验首先建立基本的卷积神经网络模型, 训练模型获得识别基线, 再设计修改逐步提高检测准确率. 为了解决小数据集训练中的模型过拟合和提高检测精度, 综合使用了丢弃层、数据增强技术和批量标准化, 减少参数量, 并应用迁移学习等方法. 实验结果证明, 分类器模型能有效提升准确率, 在小数据集上达到非常好的划痕缺陷识别效果.
2021-10-26 16:39:31
899KB
1