档案 | 计算机视觉深度学习

池化可用于下采样特征图的内容，减小其宽度和高度，同时保留其显著特征。深度卷积神经网络的一个问题是特征图的数量通常会随着网络深度的增加而增加。这个问题会导致数量急剧增加 […]

您可以从里程碑式模型中提取离散的架构元素，并在设计自己的卷积神经网络时使用它们。具体来说，像图像分类这样的任务达到了最先进结果的模型，会多次重复使用离散的架构元素，例如 VGG 模型中的 VGG 块，GoogLeNet 中的 Inception 模块 […]

LeNet、AlexNet、VGG、Inception 和 ResNet 卷积神经网络的创新简介。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。虽然简单，但对于给定的计算机视觉问题，有无数种排列这些层的方式。幸运的是，有一些常见的模式 […]

卷积层在卷积神经网络中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很敏感。解决这种敏感性的一种方法是对特征图进行下采样。这会 […]

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，但它能够实现复杂而令人印象深刻的结果。尽管如此，要理解滤波器形状如何影响输出形状可能仍然具有挑战性 […]

卷积层是用于卷积神经网络的主要构建块。卷积是滤波器对输入应用的简单操作，会产生激活。对同一滤波器重复应用到输入会产生一个激活图，称为特征图，指示某个 […]

数据增强是一种常用于提高性能和减少训练计算机视觉问题神经网络模型时泛化误差的技术。图像数据增强技术也可以在拟合模型进行预测时应用，以允许模型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为地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，而增强技术可以创建图像的变体，这些变体可以 […]

存储和组织图像数据集在磁盘上有约定，以使其在训练和评估深度学习模型时快速高效地加载。一旦结构化，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 […]

计算机视觉深度学习速成班。在 7 天内将深度学习方法应用于您的计算机视觉项目。我们淹没在来自照片、视频、Instagram、YouTube，以及日益增多的实时视频流的数字图像中。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 […]