腾讯云
开发者社区
文档
建议反馈
控制台
登录/注册
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
搜索
搜索
关闭
发布
首页
学习
活动
专区
工具
TVP
最新优惠活动
返回腾讯云官网
CV学习史
专栏成员
举报
84
文章
95731
阅读量
19
订阅数
订阅专栏
申请加入专栏
全部文章(84)
编程算法(30)
神经网络(17)
深度学习(16)
机器学习(13)
人工智能(12)
c++(9)
图像处理(9)
卷积神经网络(8)
ide(7)
java(5)
keras(5)
python(4)
linux(4)
批量计算(4)
网络安全(4)
面向对象编程(4)
tcp/ip(4)
数据库(3)
http(3)
socket编程(3)
tensorflow(2)
go(2)
bash(2)
servlet(2)
jsp(2)
打包(2)
unix(2)
存储(2)
缓存(2)
数据结构(2)
https(2)
image(2)
label(2)
区块链(1)
NLP 服务(1)
ios(1)
php(1)
javascript(1)
node.js(1)
xml(1)
css(1)
html(1)
makefile(1)
云数据库 SQL Server(1)
sql(1)
api(1)
matlab(1)
spring(1)
文件存储(1)
访问管理(1)
消息队列 CMQ 版(1)
云推荐引擎(1)
容器(1)
爬虫(1)
numpy(1)
监督学习(1)
决策树(1)
模式识别(1)
大数据(1)
安全(1)
数据分析(1)
数据处理(1)
kafka(1)
csv(1)
dicom(1)
gaussian(1)
graphviz(1)
matplotlib(1)
mean(1)
orientation(1)
outliers(1)
patch(1)
path(1)
plot(1)
position(1)
solver(1)
sum(1)
svm(1)
vr(1)
模型(1)
数据(1)
数组(1)
搜索文章
搜索
搜索
关闭
VGG 论文研读
神经网络
卷积神经网络
摘要 研究主要贡献是通过非常小的3x3卷积核的神经网络架构全面评估了增加深度对网络的影响,结果表明16-19层的网络可以使现有设置的网络性能得到显著提高
范中豪
2019-09-10
665
0
AD分类论文研读(1)
机器学习
人工智能
图像处理
深度学习
卷积神经网络
原文链接 摘要 将cv用于研究需要大量的训练图片,同时需要对深层网络的体系结构进行仔细优化。该研究尝试用转移学习来解决这些问题,使用从大基准数据集组成的自然图像得到的预训练权重来初始化最先进的VGG和Inception结构,使用少量的MRI图像来重新训练全连接层。采用图像熵选择最翔实的切片训练,通过对OASIS MRI数据集的实验,他们发现,在训练规模比现有技术小近10倍的情况下,他们的性能与现有的基于深层学习的方法相当,甚至更好 介绍 AD的早期诊断可以通过机器学习自动分析MRI图像来实现。从头开始训练一个网络需要大量的资源并且可能结果还不够好,这时候可以选择使用微调一个深度网络来进行转移学习而不是重新训练的方法可能会更好。该研究使用VGG16和Inception两个流行的CNN架构来进行转移学习。结果表明,尽管架构是在不同的领域进行的训练,但是当智能地选择训练数据时,预训练权值对AD诊断仍然具有很好的泛化能力 由于研究的目标是在小训练集上测试转移学习的鲁棒性,因此仅仅随机选择训练数据可能无法为其提供表示MRI足够结构变化的数据集。所以,他们选择通过图像熵提供最大信息量的训练数据。结果表明,通过智能训练选择和转移学习,可以达到与从无到有以最小参数优化训练深层网络相当甚至更好的性能 方法 CNN的核心是从输入图像中抽取特征的卷积层,卷积层中的每个节点与空间连接的神经元的小子集相连,为了减少计算的复杂性,一个最大池化层会紧随着卷积层,多对卷积层和池化层之后会跟着一个全连接层,全连接层学习由卷积层抽取出来的特征的非线性关系,最后是一个soft-max层,它将输出归一化到期望的水准 因为小的数据集可能会使损失函数陷入local minima,该研究使用转移性学习的方法来尽量规避这种情况,即使用大量相同或不同领域的数据来初始化网络,仅使用训练数据来重新训练最后的全连接层 研究中使用两个流行的架构: VGG16
范中豪
2019-09-10
738
0
Deep learning with Python 学习笔记(11)
卷积神经网络
神经网络
深度学习
机器学习
人工智能
机器学习(machine learning)是人工智能的一个特殊子领域,其目标是仅靠观察训练数据来自动开发程序[即模型(model)]。将数据转换为程序的这个过程叫作学习(learning)
范中豪
2019-09-10
492
0
Deep learning with Python 学习笔记(10)
机器学习
深度学习
人工智能
NLP 服务
卷积神经网络
机器学习模型能够对图像、音乐和故事的统计潜在空间(latent space)进行学习,然后从这个空间中采样(sample),创造出与模型在训练数据中所见到的艺术作品具有相似特征的新作品
范中豪
2019-09-10
818
0
Deep learning with Python 学习笔记(7)
机器学习
神经网络
深度学习
人工智能
卷积神经网络
卷积神经网络能够进行卷积运算,从局部输入图块中提取特征,并能够将表示模块化,同时可以高效地利用数据。这些性质让卷积神经网络在计算机视觉领域表现优异,同样也让它对序列处理特别有效。对于某些序列处理问题,这种一维卷积神经网络的效果可以媲美 RNN,而且计算代价通常要小很多,并且,对于文本分类和时间序列预测等简单任务,小型的一维卷积神经网络可以替代 RNN,而且速度更快
范中豪
2019-09-10
705
0
Deep learning with Python 学习笔记(4)
卷积神经网络
可视化中间激活 是指对于给定输入,展示网络中各个卷积层和池化层输出的特征图,这让我们可以看到输入如何被分解为网络学到的不同过滤器。我们希望在三个维度对特征图进行可视化:宽度、高度和深度(通道)。每个通道都对应相对独立的特征,所以将这些特征图可视化的正确方法是将每个通道的内容分别绘制成二维图像
范中豪
2019-09-10
861
0
Deep learning with Python 学习笔记(3)
神经网络
卷积神经网络
想要将深度学习应用于小型图像数据集,一种常用且非常高效的方法是使用预训练网络。预训练网络(pretrained network)是一个保存好的网络,之前已在大型数据集(通常是大规模图像分类任务)上训练好
范中豪
2019-09-10
591
0
Deep learning with Python 学习笔记(2)
卷积神经网络
keras
图像处理
卷积神经网络接收形状为 (image_height, image_width, image_channels)的输入张量(不包括批量维度),宽度和高度两个维度的尺寸通常会随着网络加深而变小。通道数量由传入 Conv2D 层的第一个参数所控制
范中豪
2019-09-10
668
0
没有更多了
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
立即查看
Python精品学习库
代码在线跑,知识轻松学
立即查看
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
立即体验
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
立即查看
领券
问题归档
专栏文章
快讯文章归档
关键词归档
开发者手册归档
开发者手册 Section 归档