基于卷积神经网络的SAR图像目标识别研究
2021-12-28 13:11:52 586KB 研究论文
1
fpga-ml-促进剂 该存储库托管用于卷积神经网络的基于FPGA的加速器的代码,有关整个设计和设计原理的非常详细的说明, 。 该存储库以前位于
2021-12-27 19:32:07 15KB asic fpga hardware vhdl
1
RL价值函数的近似(yeqiang)
2021-12-26 22:08:57 1.65MB 强化学习 卷积神经网络 深度学习
1
时序行为检测是指在一段未分割的长视频中,检测出其中包含的若干行为片段的起止时间和类别.针对该项任务,提出基于双流卷积神经网络的行为检测模型.首先使用双流卷积神经网络提取视频的特征序列,然后使用TAG (Temporal Actionness Grouping)生成行为提议,为了构建高质量的行为提议,将行为提议送入边界回归网络中修正边界,使之更为贴近真实数据,再将行为提议扩展为含有上下文信息的三段式特征设计,最后使用多层感知机对行为进行识别.实验结果表明,本算法在THUMOS 2014数据集和ActivityNet v1.3数据集获得较好的识别率.
1
深度学习作为一个新的机器学习方向,被应用到计算机视觉领域上成效显著.为了解决分布式的尺度不变特征转换(Scale-Invariant Feature Transform,SIFT)算法效率低和图像特征提取粗糙问题,提出一种基于深度学习的SIFT图像检索算法.算法思想:在Spark平台上,利用深度卷积神经网络(Convolutional Neural Network,CNN)模型进行SIFT特征抽取,再利用支持向量机(Support Vector Machine,SVM)对图像库进行无监督聚类,然后再利用自适应的图像特征度量来对检索结果进行重排序,以改善用户体验.在Corel图像集上的实验结果显示,与传统SIFT算法相比,基于深度学习的SIFT图像检索算法的查准率和查全率大约提升了30个百分点,检索效率得到了提高,检索结果图像排序也得到了优化.
1
人脸识别,卷积神经网络,数据训练过程,以及测试的实验效果。(使用多任务级联卷积网络的联合人脸检 测和对准 论文)
2021-12-25 21:43:26 1024KB 卷积神经网络
1
基于改进卷积神经网络的人脸识别算法.pdf
1
深脑节 此回购利用2-D和3-D全卷积神经网络(CNN)的集成,从多模态磁共振图像(MRI)分割脑肿瘤及其成分。 分段网络中使用的密集连接模式可以有效地重用较少数量的网络参数来使用功能。 在BraTS验证数据上,分割网络获得的完整肿瘤,肿瘤核心和活动肿瘤骰子分别为0.89、0.76、0.76。 特征 脑肿瘤分割 脑面罩生成SkullStripping(当前使用HD-BET和ANTs) 放射性特征 核心地位 dcm和nifty支持(将dcm转换为nifty并起作用) 基于UI的推理框架 微调 强化 逐渐解冻 自定义netwrok培训框架 全脑分割 安装 基于PyPi的安装: 所需的Python版本:3.5 安装: pip install DeepBrainSeg 或者 git clone https://github.com/koriavinash1/DeepB
1
图2.4深层网络训练过程 Fig。2.4 Training Procedure of Deep Networks 无监督特征学习能够很好地提取样本的特征,但为了实现分类还需要将提取的特征 输入到分类器中进行分类。为了适应分类的要求,Hinton等【25J将无监督的特征提取方法 与Soffmax分类器相结合,提出了一种深层分类网络,即深度信念网络(Deep Belief Network,DBN),具体内容在文章3.3.2中介绍说明。 2.2深层卷积神经网络 卷积神经网络(Convolutional Neural Network,CNN)网络是一种有监督的深层网络 模型,是当前模式识别领域主要流行的网络结构之一。一个典型的CNN网络模型往往 由卷积层(包含非线性激活)和池化层(下采样层)交替组成,使提取的特征图像尺寸 逐渐减小、特征图像层数逐渐增加,然后再以若干层全连接的形式连接网络,最后通过 分类器对提取的特征进行分类【3引,其结构简图如图2.5所示。在训练CNN网络时直接 以图像的数据矩阵输入到CNN网络,保留了图像各相素点之间的空间位置关系。在训 练过程中,CNN网络逐层对图像的特征进行提取、对不同模式进行分类。 万方数据
2021-12-24 17:38:57 7.4MB AI
1
一、CIFAR-10简介 CIFAR-10数据集包含10个类别,共计60000张 32×32 3通道彩色图像。其中每个类别包含6000张图像:训练图像50000张,测试图像10000张。 数据集被分为五个训练批次和一个测试批次。每个测试批次有10000张图像,为每个类别各随机挑出1000张构成;训练批次为随机打乱的剩余图像。某些训练批次可能出现一个类型的图像多于另一个类型的情况,但总体而言,训练批次包含每个类型恰好5000张。 二、说明 图片原格式为32*32 3通道 第一次卷积:卷积核大小为3*3,输出32*32 32通道 第一次池化:最大值池化,输出为16*16 32通道 第二次卷积:卷
2021-12-24 12:22:41 191KB cifar-10 ens fl
1