我有一台CNN，它能产生6个通道的32x32图像，但我需要将其上采样到256x256。initializer, return result 然后我像这样传递这一层：6, 3), # x2]
finalLayer = up(finalLayer) 但是这种设置会产生不准确的</em
浏览 23提问于2020-07-16得票数 0
我读了几篇文章，对CNN低采样后的重采样机制有一些疑问。据我所知，与正常的卷积运算类似，“上采样”也使用需要训练的核。Question1:如果“空间信息”已经在CNN的第一阶段丢失了，它怎么能被重建呢？
Question2:为什么>“从网络深处的小(粗)特征图进行向上采样有好的<
浏览 0提问于2018-07-31得票数 9
回答已采纳
2回答
我真的对YOLOv3中存在的卷积层的数量感到困惑！然而，根据的构建，它是由106层组成的！此外，网站声称，额外的53层是为检测过程添加的，但这到底意味着最初的53层只用于特征提取？
所以我的问题是，这些额外的未提及
浏览 0提问于2019-05-19得票数 0
8回答
我对神经网络这个话题很陌生。我遇到了两个术语--卷积神经网络和递归神经网络。
我想知道这两个术语是否是指同一事物，或者，如果不是，它们之间会有什么区别呢？
浏览 6提问于2014-01-04得票数 67
2回答
我知道，通常的CNN包括卷积层和池层。池层使得输出更小，这意味着计算量更少，同时也使得它在某种程度上不变性，因此从核心滤波器中提取的特征位置可以在原始图像中稍微移动一点。但是，当我不使用池层时会发生什么呢？原因可能是我希望从原始图像中的每个像素都有一个特征向量，所以卷积层的输出必须和图像一样大，只是有更多的通道。这有道理吗？这些特征向量中
浏览 4提问于2017-11-01得票数 5
回答已采纳
1回答
传递学习与线性分类器
、、、
在cs231n的讲义中，说
新数据集很小，与原始数据集相似。由于数据很小，由于过于合适的考虑，对ConvNet进行微调不是个好主意.因此，最好的方法是在CNN码上训练线性分类器。我不知道线性分类器是什么意思。线性分类器指的是最后一个完全连接的层吗？(例如，在Alexnet中，有三个完全连接的
浏览 3提问于2017-05-05得票数 1
回答已采纳
我有病人的CT图像，并将CNN应用于这些图像来预测疾病。我想结合我的临床数据和我的图像数据在CNN的方法，这是可能的吗？我的临床数据有年龄、性别、日期、吸烟者等信息，所有这些都是数字，比如1名吸烟者和0名吸烟者。
浏览 9提问于2017-01-25得票数 4
回答已采纳
1回答
特征金字塔网络接受域
、、、
在特征金字塔网络()中，取任何CNN (例如ResNet-101)的最后一层，并对P5、P4和P3进行2、4和6的上采样。为了允许细粒度的特征映射，在ResNet-101中连接来自以前层的横向连接。在RetinaNet ()中，还有2个金字塔层，P6是通过在
浏览 3提问于2018-08-10得票数 0
回答已采纳
2回答
没有使用量化模型来改善喷炬的性能
、、、、
我已经训练了一个带浮点数据类型的移相器模型。我希望通过将该模型转换为量化模型来改进我的推理时间。我使用torch.quantization.convert api将模型的权重转换为uint8数据类型。但是，当我使用该模型进行推理时，性能并没有得到任何改善。我在这里做错什么了吗？output': arr}) print(f'Elapsed time = {t1-t0}')
对于模型网和量化模型，我得到了经过12幅图像大约30秒的
浏览 4提问于2020-06-02得票数 3
1回答
胶囊神经网络采用卷积、原胶囊和数字胶囊层。同时，采用卷积和最大池层的卷积神经网络。我想对卷积神经网络和胶囊神经网络进行比较。下面的表格是我的cnn模型的架构。我需要在胶囊神经网络上做一个类似的结构。那么，如何正确地叠加胶囊神经网络，堆栈胶囊神经网络是什么样的呢？
浏览 10提问于2022-12-02得票数 -2
1回答
我对ML非常陌生，所以我为这个潜在的琐碎问题道歉；我一直无法找到我的问题的明确答案。现在，问题是:哪些图像最合适，哪些我应该扔掉，为什么？例如，每个个体的训练图像必须包含一条并且
浏览 0提问于2022-09-27得票数 0
1回答
使用Keras实现图像金字塔
、、、、
为了在我的CNN模型上获得尺度不变性(或检测任意尺度上的对象)，我想实现Image Pyramids。正如文章所解释的，在创建图像金字塔时，图像要经过反复的平滑和二次采样。我正在凯拉斯实现一个CNN。有没有办法用Keras实现图像金字塔？我看过one of the SO post，上面说要用AveragePooling2D来实现金字塔效果。 这是对的吗？AveragePooling
浏览 20提问于2019-04-18得票数 0
回答已采纳
1回答
这是我第一个机器学习项目，也是我在这里的第一个问题。我是一个机器学习的新手，有理论物理学的背景。
我想使用CNN来检测高分辨率图像中的制造缺陷引起的划痕。图像必须是高分辨率的；下采样会破坏我们想要检测到的特征。我担心的是有限的模型容量(没有参数)以及训练时间。而且，由于培训图片的数量很少，仅仅使用我的产品图片从零开始培训整个网络似乎是没有意义<e
浏览 0提问于2019-01-16得票数 3
2回答
用R检测目标？
、、、
有线电视新闻网实际上是做什么的？是否就像使用CNN提取的特征来检测指定窗口区域中的类？对此有任何tensorflow实现吗？
浏览 2提问于2017-04-13得票数 5
回答已采纳
1回答
我想用CNN对5个类别进行分类，但其中4个类别只有16到60张图片，而最后一个类别有1300多张。我知道16或60图像是不够的，所以我想使用转移学习，微调和数据增强。然而，我有几个问题。由于数据增强必须仅用于培训数据，所以对于验证集而言，来自4个类的图像将非常少，这会不会是一个问题？
是否需要在培训/验证/测试中将其分开，或者培训/验证是否足够？另一个问题是不平衡的数据:如果每个类别中的图像数量有如此之差，过度采样
浏览 0提问于2021-04-28得票数 2
1回答
有人能解释卷积和次采样层之间的区别吗？
在卷积步骤中，我们定义了带权值的卷积滤波器()，而在次采样步骤中，我们应用卷积滤波器，并使用大步和池来确定它们的大小，这是正确的吗？
浏览 2提问于2018-12-05得票数 0
回答已采纳
1回答
我读到CNN(包括卷积层和最大池层)是移位不变的，但是大多数目标检测方法使用的是具有非最大抑制性的滑动窗口检测器。在进行对象检测时，是否需要使用带有CNN的滑动窗口？基本上，与其在包含所需对象的小50x50块图像上对网络进行培训，不如在对象存在的整个图像上进行</em
浏览 2提问于2016-03-17得票数 7
2回答
这个程序正确吗？我的目的是在级联后添加一个退出层，但为此，我需要将级联层的输出调整为适当的 (示例、时间步骤、通道)，从而扩展(None, 4096) to (None, 1, 4096)的维度，从而在输出后撤消操作。
浏览 6提问于2022-01-19得票数 4
回答已采纳
我在训练CNN进行图像分类。相同的对象(然后具有相同的标签)两次出现在测试集中(就像两个视图)。我想在预测班里的时候利用这一点。现在，最后一层是Linear层(PyTorch)，我使用交叉熵作为损失函数。我想知道对每个物体进行最有信心的预测的最好方法是什么。我应该首先计算LogSoftMax并以最高的概率接受类(在</e
浏览 0提问于2019-08-09得票数 1
回答已采纳
1回答
我知道输入(比如说一幅图像)是通过CNN向前传递的，它是复杂的，并且是向下采样的。然后，在一个完全连接的层，分配一个标签，给出它产生的最终权重。在训练中，通过计算Error变量，利用梯度下降(或其他优化函数)来调整权重，使E逼近零。
在这个过程中，过滤器是从哪里学到的？我不明白滤波器是如何从高斯噪声到线、角和颜色的。那么，我想这些过滤器将显式地写
浏览 2提问于2017-01-11得票数 2
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
云直播
实时音视频活动推荐
腾讯云开发者
