目录 一、何为目标检测 二、如何做到目标检测 三、R-CNN 引入 R-CNN的缺点有哪些 四、Fast R-CNN 引入 Fast R-CNN比R-CNN优化的地方,以及其依旧存在的问题 五、Faster R-CNN 引入 网络结构 网络训练 RPN网络训练 总体流程 RPN网络标签的生成 RPN网络LOSS Faster R-CNN网络训练 一、何为目标检测 给你一张图片,告诉我图里有什么?在哪? 二、如何做到目标检测         学过深度学习的都知道已经事情,一个深度神经网络就是一个巨大的函数,给它输入,它给你输出,相信很多读者都自己构建过深度神经网络并在MNIST手写数字数据集上
2022-12-26 13:45:36 705KB AS cnn深度学习 fast
1
大神自写的神经网络算法。应用梯度下降和反向传播算法识别手写数字。
2022-12-26 12:35:09 6KB 机器学习 神经网络 深度学习
1
最全最新最受欢迎深度学习入门301页PPT,李宏毅老师讲解涵盖深度学习发展进程,算法演进,实例分析,基础实验,图文并茂,深入浅出,揭开深度学习神秘面纱,窥探里面的真实世界,读完收益匪浅
2022-12-26 10:02:28 31.17MB 人工智能 深度学习 机器学习 PPT
1
Abstract The style-based GAN architecture (StyleGAN) yields state-of-the-art results in data-driven unconditional generative image modeling. We expose and analyze several of its characteristic artifacts, and propose changes in both model architecture and training methods to address them. In particular, we redesign generator normalization, revisit progressive growing, and regularize the generator to encourage good conditioning in the mapping from latent vectors to images. In addition to improving image quality, this path length regularizer yields the additional benefit that the generator becomes significantly easier to invert. This makes it possible to reliably detect if an image is generated by a particular network. We furthermore visualize how well the generator utilizes its output resolution, and identify a capacity problem, motivating us to train larger models for additional quality improvements. Overall, our improved model rede- fines the state of the art in unconditional image modeling, both in terms of existing distribution quality metrics as well as perceived image quality.
1
Titanic数据集主要包含两部分,训练集(train.csv)和测试集(test.csv)。其中训练集中包含乘客的基本信息和最终在事故中的存活情况,测试集只包含乘客的基本信息, 不包含存活情况。 目的:通过对训练集中乘客的基本信息和存活情况的分析,找到背后隐藏的某种规律,去推断测试集中的乘客是否遇难。
1
用FFNN、AlexNet、LeNet网络实现mnist手写数字识别
2022-12-25 20:27:56 7KB 深度学习
1
Attention is all you need论文阅读笔记
2022-12-25 20:27:56 5.22MB 深度学习 Transformer
1
Swin-Transformer-main(截止到2022年12月23日).zip
1
鞋子数据集,由500,025张目录图片组成,这些图片被分为4大类——鞋子、凉鞋、拖鞋和靴子——其次是功能性类型和个人品牌。鞋子的中心是白色背景和图片在同一方向,方便分析, 鞋子数据集,由500,025张目录图片组成,这些图片被分为4大类——鞋子、凉鞋、拖鞋和靴子——其次是功能性类型和个人品牌。鞋子的中心是白色背景和图片在同一方向,方便分析,
2022-12-24 16:26:20 852.53MB 鞋子 数据集 图片 深度学习
OSError: libcusparse.so.11: cannot open shared object file: No such file or directory
2022-12-24 16:26:19 224.9MB 动态链接库 深度学习框架安装
1