作者归档 | Jason Brownlee

您可以将里程碑式模型中的离散架构元素用于设计自己的卷积神经网络。具体来说，在图像分类等任务中取得最先进成果的模型会多次重复使用离散架构元素，例如 VGG 模型中的 VGG 块，GoogLeNet 中的 Inception 模块，[...]

LeNet、AlexNet、VGG、Inception 和 ResNet 卷积神经网络创新简介。卷积神经网络由两个非常简单的元素组成，即卷积层和池化层。尽管简单，但对于给定的计算机视觉问题，排列这些层的组合方式几乎无穷无尽。幸运的是，有一些常见的模式 [...]

卷积神经网络中的卷积层总结了输入图像中特征的存在。特征图输出的一个问题是它们对输入中特征的位置敏感。解决这种敏感性的一种方法是对特征图进行下采样。这会产生 [...]

卷积神经网络中的卷积层系统地将滤波器应用于输入，并创建输出特征图。尽管卷积层非常简单，但它能够取得复杂的、令人印象深刻的结果。尽管如此，要理解滤波器的形状如何影响 [...] 的形状，可能会很困难。

卷积层是卷积神经网络中使用的主要构建块。卷积是将滤波器简单地应用于输入，从而产生激活。将同一滤波器反复应用于输入会产生一个激活图，称为特征图，指示 [...] 的位置和强度。

数据增强是一种常用于提高计算机视觉问题神经网络模型训练性能和降低泛化误差的技术。在拟合模型进行预测时，也可以应用图像数据增强技术，以便模型可以对每个图像的多个不同版本进行预测 [...]

图像数据增强是一种可以通过创建数据集中图像的修改版本来人工扩展训练数据集大小的技术。在更多数据上训练深度学习神经网络模型可以产生更熟练的模型，并且增强技术可以创建图像的变体，这些变体可以 [...]

为了在训练深度学习模型时实现快速高效的加载，存在用于在磁盘上存储和组织图像数据集的约定。一旦组织好，您就可以使用 Keras 深度学习库中的 ImageDataGenerator 类等工具来自动加载您的训练、测试和验证数据集。 [...]

深度学习计算机视觉速成课。在 7 天内将深度学习方法应用到您的计算机视觉项目中。我们充斥着来自照片、视频、Instagram、YouTube 以及越来越多的实时视频流的数字图像。处理图像数据很困难，因为它需要借鉴数字信号处理等不同领域的知识 [...]

在开始使用深度学习方法进行计算机视觉时，使用标准计算机视觉数据集可能很方便。标准数据集通常易于理解、规模小且易于加载。它们可以为测试技术和重现结果提供基础，以建立对库和方法的信心。在本教程中，[...]