智能算法-腾讯云开发者社区

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

智能算法

专栏成员

381

文章

678110

阅读量

111

订阅数

决策树算法原理及应用(详细版)

决策树机器学习神经网络深度学习人工智能

C4.5是一系列用在机器学习和数据挖掘的分类问题中的算法。它的目标是监督学习：给定一个数据集，其中的每一个元组都能用一组属性值来描述，每一个元组属于一个互斥的类别中的某一类。C4.5的目标是通过学习，找到一个从属性值到类别的映射关系，并且这个映射能用于对新的类别未知的实体进行分类。

2020-09-24

2.3K0

Fast-SCNN的解释以及使用Tensorflow 2.0的实现

机器学习神经网络深度学习人工智能 keras

Fast Segmentation Convolutional Neural Network (Fast- scnn)是一种针对高分辨率图像数据的实时语义分割模型，适用于低内存嵌入式设备上的高效计算。原论文的作者是：Rudra PK Poudel, Stephan Liwicki and Roberto Cipolla。本文中使用的代码并不是作者的正式实现，而是我对论文中描述的模型的重构的尝试。

2020-08-20

8970

目标检测算法YOLO-V3结构详解

神经网络深度学习人工智能编程算法图像识别

YOLO-V3模型框架，我们主要从它的基础网络Darknet-53以及YOLO-V3的结构方面学习，首先看下Darknet-53结构。

2020-08-13

1.4K0

目标检测算法YOLO-V2详解

神经网络深度学习人工智能图像识别编程算法

今天，我们一起学习下YOLO-V2跟YOLO-V1比起来都做了哪些改进？从速度优化和精确度优化的角度来看，主要有以下内容：

2020-07-29

1.4K0

目标检测模型YOLO-V1损失函数详解

神经网络深度学习人工智能图像识别编程算法

从上期我们知道，YOLO-V1算法最后输出的检测结果为7x7x30的形式，其中30个值分别包括两个候选框的位置和有无包含物体的置信度以及网格中包含20个物体类别的概率。那么YOLO的损失就包括三部分：位置误差，confidence误差，分类误差。损失函数的设计目标就是让坐标(x,y,w,h)，confidence，classification这个三个方面达到很好的平衡。YOLO-V1算法中简单的全部采用了sum-squared error loss来做这件事，如下图：

2020-07-22

2.9K0

目标检测算法YOLO-V1算法详解

编程算法图像识别神经网络深度学习人工智能

今天我们学习另一系列目标检测算法YOLO(You Only Look Once)，公众号【智能算法】回复“论文YOLOV1”即可下载该论文。Yolo系列算法属于One-Stage算法,是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。现在YOLO已经发展到v5版本，不过新版本也是在原有版本基础上不断改进演化的，所以本文先分析YOLO v1版本。一起看看是如何实现的？本期主要包含以下内容：

2020-07-20

1.5K0

目标检测算法Faster RCNN的损失函数以及如何训练？

机器学习神经网络深度学习人工智能编程算法

从上一期Faster RCNN的算法原理上，我们知道Faster RCNN算法有两部分，一个是用来提取候选框的RPN网络，一个是最后检测目标的分类回归网络。通过学习，我们知道RPN网络在提取候选框的时候有两个任务，一个是判断该anchor产生的候选框是否是目标的二分类任务，另一个是对该候选框进行边框回归的回归任务。而Faster RCNN最后的目标检测网络同样也有两个任务，跟RPN网络类似，一个是判断RPN网络产生的候选框框住的物体是具体哪一类物体的分类任务，另一个是对该候选框进行回归的回归任务。既然两个网络都是多任务网络，那么，我们先看看RPN网络的损失函数是怎么样的？先上RPN网络的总体损失函数，接下来分析，如下（公式可左右滑动）：

2020-06-17

4.3K0

Faster RCNN的神器是什么？

机器学习神经网络深度学习人工智能编程算法

由于每期都是逐步改进，重复的不在赘述，所以建议先阅读前面的，这期我们继续改进，学习一下Faster RCNN都做了哪些改进？

2020-06-09

8980

目标检测算法Fast R-CNN详解

.net 神经网络机器学习深度学习人工智能

但是由于SPP-Net仍采用SVM训练分类器和边框回归的方式，无法实现端到端的操作。那么Fast RCNN借鉴了SPP-Net算法的思想，改进了这3点：

2020-05-27

7230

全卷积神经网络(FCN)

机器学习深度学习人工智能神经网络卷积神经网络

上期我们一起学习了，关于传统的目标检测算法的大致思路，通常是利用滑动窗口进行选取目标候选框，然后利用一些算法进行特征提取，最后再扔到分类器中去检测分类，这样效率上来说是比较低的。

2020-05-07

1.4K0

深度学习算法(第26期)----深度网络中的自编码器

数据分析机器学习神经网络深度学习人工智能

深度学习算法(第25期)----机器翻译中的编码解码器网络今天我们一起学一下深度网络中的自编码器.

2019-09-26

9450

深度学习算法(第24期)----自然语言处理中的Word Embedding

神经网络机器学习深度学习人工智能 NLP 服务

深度学习算法(第23期)----RNN中的GRU模块今天我们一起简单学习下自然语言处理中的Word Embedding.

2019-08-20

6180

深度学习算法(第23期)----RNN中的GRU模块

机器学习神经网络深度学习人工智能

上期我们一起学习了RNN的STML模块，深度学习算法(第22期)----RNN中的LSTM模块术今天我们一起简单学习下RNN中的另一个常用模块GRU模块 (Gated Recurrent Unit)。

2019-07-30

1.6K0

深度学习算法(第22期)----RNN中的LSTM模块

机器学习神经网络深度学习人工智能

上期我们一起学习了RNN为了防止过拟合的DropOut技术，深度学习算法(第21期)----RNN中的Dropout技术今天我们一起简单学习下RNN中的LSTM (Long Short-Term Memory)。

2019-07-30

8050

深度学习算法(第21期)----RNN中的Dropout技术

机器学习神经网络深度学习人工智能 css

上期我们一起学习了如何训练RNN并预测时序信号，深度学习算法(第20期)----创意RNN和深度RNN的简单实现今天我们一起简单学习下RNN中的Dropout的实现。

2019-07-25

7200

机器视觉表面缺陷检测综述

机器学习神经网络深度学习人工智能编程算法

中国是一个制造大国，每天都要生产大量的工业产品。用户和生产企业对产品质量的要求越来越高，除要求满足使用性能外，还要有良好的外观，即良好的表面质量。但是，在制造产品的过程中，表面缺陷的产生往往是不可避免的。不同产品的表面缺陷有着不同的定义和类型，一般而言表面缺陷是产品表面局部物理或化学性质不均匀的区域，如金属表面的划痕、斑点、孔洞，纸张表面的色差、压痕，玻璃等非金属表面的夹杂、破损、污点，等等。表面缺陷不仅影响产品的美观和舒适度，而且一般也会对其使用性能带来不良影响，所以生产企业对产品的表面缺陷检测非常重视，以便及时发现，从而有效控制产品质量，还可以根据检测结果分析生产工艺中存在的某些问题，从而杜绝或减少缺陷品的产生，同时防止潜在的贸易纠份，维护企业荣誉。

2019-07-19

10.9K0

卷积神经网络各种池化

机器学习神经网络深度学习人工智能图像识别

在卷积神经网络中，我们经常会碰到池化操作，而池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果（不易出现过拟合）。图像具有一种"静态性"的属性，这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此，为了描述大的图片，一个很自然的想法就是对不同位置的特征进行聚合统计，例如，人们可以计算图像一个区域上的某个特定特征的平均值（或最大值）来代表这个区域的特征。

2019-07-16

7020

以计算机视觉为例，告诉你如何将AI引入你的工作

导语：对不少企业来说，如何开始一个 AI 业务是一个难题，需不需要 AI 来进行业务的辅助？是否需要组建一个自己的算法团队？我们整理了格灵深瞳创始团队：苑维然先生的主题演讲《如何开始一个 AI 业务：以计算机视觉为例》希望能够给有同样困扰的读者一些启发与帮助。

2019-07-12

6520

卷积神经网络的卷积核大小、个数，卷积层数如何确定呢？

卷积神经网络神经网络深度学习机器学习人工智能

卷积神经网络的卷积核大小、卷积层数、每层map个数都是如何确定下来的呢？看到有些答案是刚开始随机初始化卷积核大小，卷积层数和map个数是根据经验来设定的，但这个里面应该是有深层次原因吧，比如下面的手写字卷积神经网络结构图1，最后输出为什么是12个map，即输出12个特征？然后图2又是输出10个特征了？

2019-07-12

17.6K1

应用 | CNN在自然语言处理中的应用

当我们听到卷积神经网络（Convolutional Neural Network, CNNs）时，往往会联想到计算机视觉。CNNs在图像分类领域做出了巨大贡献，也是当今绝大多数计算机视觉系统的核心技术，从Facebook的图像自动标签到自动驾驶汽车都在使用。

2019-07-12

1.8K0

点击加载更多

社区活动

【纪录片】中国数据库前世今生

穿越半个世纪，探寻中国数据库50年的发展历程

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态