档案 | 计算机视觉深度学习

对于初学者来说，区分不同的相关计算机视觉任务可能具有挑战性。例如，图像分类很简单，但目标定位和目标检测之间的差异可能会令人困惑，尤其是当这三个任务都可能同样被称为目标识别时。图像分类涉及分配一个类别标签 […]

Planet 数据集已成为一个标准的计算机视觉基准，它涉及多标签分类或标记亚马逊热带雨林的卫星照片内容。该数据集是 Kaggle 网站上数据科学竞赛的基础，并已有效解决。尽管如此，它仍可用作学习和实践如何 […] 的基础。

逐步开发深度卷积神经网络以分类狗和猫的照片。狗与猫数据集是一个标准的计算机视觉数据集，涉及将照片分类为包含狗或猫。尽管这个问题听起来很简单，但在过去几年中，只有使用深度学习卷积 […] 才能有效解决。

深度卷积神经网络模型在非常大的数据集上训练可能需要数天甚至数周。缩短此过程的一种方法是重新使用为标准计算机视觉基准数据集（例如 ImageNet 图像识别任务）开发的预训练模型的模型权重。可以下载表现最佳的模型并 […]

了解如何从头开始为 CIFAR-10 对象分类数据集开发深度卷积神经网络模型。CIFAR-10 小型照片分类问题是计算机视觉和深度学习中使用的标准数据集。尽管该数据集已有效解决，但它仍可用作学习和实践如何开发、[…] 的基础。

Fashion-MNIST 服装分类问题是计算机视觉和深度学习中使用的新的标准数据集。尽管该数据集相对简单，但它仍可用作学习和实践如何从头开始开发、评估和使用深度卷积神经网络进行图像分类的基础。这包括如何开发 […]

如何从头开始为 MNIST 手写数字分类开发卷积神经网络。MNIST 手写数字分类问题是计算机视觉和深度学习中使用的标准数据集。尽管该数据集已有效解决，但它仍可用作学习和实践如何开发、评估和使用卷积 […] 的基础。

深度学习神经网络通常是不透明的，这意味着尽管它们可以做出有用且熟练的预测，但尚不清楚给定预测是如何或为何做出的。卷积神经网络具有内部结构，旨在处理二维图像数据，因此保留了所学内容的空间关系 […]

在训练卷积神经网络时，如何最好地准备图像数据具有挑战性。这包括在模型训练和评估期间对像素值进行缩放以及使用图像数据增强技术。与其测试各种选项，一个有用的捷径是考虑 […]

深度学习神经网络技术的普及和使用可以追溯到卷积神经网络在图像分类任务中应用的创新。一些最重要的创新源于学术界和行业领导者提交的 ImageNet 大规模视觉识别挑战赛 (ILSVRC)。[…]