深度学习中的基础网络和检测网络有什么不同？

在深度学习中，基础网络和检测网络是两个不同的概念。

基础网络（Base Network）通常指的是用于特征提取的卷积神经网络（Convolutional Neural Network，CNN）。它负责将输入的原始图像数据通过一系列卷积、池化和激活等操作，提取出图像的高级特征表示。基础网络通常是一个预训练好的模型，如VGG、ResNet、Inception等，这些模型在大规模图像数据上进行了训练，具有较强的图像特征提取能力。基础网络的输出可以作为后续任务的输入，如目标检测、图像分类等。

检测网络（Detection Network）是用于目标检测任务的网络模型。它在基础网络的基础上，进一步引入了目标位置和类别的预测。检测网络通常由两个主要部分组成：区域提议网络（Region Proposal Network，RPN）和分类回归网络。RPN负责生成候选目标框，而分类回归网络则对这些候选框进行分类和位置回归。检测网络可以同时实现目标的定位和识别，是目标检测任务中的关键组件。

基础网络和检测网络的不同在于其功能和结构。基础网络主要用于特征提取，而检测网络则在此基础上实现了目标的定位和识别。基础网络通常是通用的，可以用于多种不同的任务，而检测网络则是专门设计用于目标检测。此外，检测网络还需要引入一些特定的技术，如候选框生成和位置回归等。

对于深度学习中的基础网络和检测网络，腾讯云提供了一系列相关产品和服务，如腾讯云AI智能图像处理、腾讯云AI机器学习平台等。这些产品和服务可以帮助开发者快速构建和部署深度学习模型，实现图像识别、目标检测等任务。具体详情可以参考腾讯云官网相关产品介绍页面。

SSD和Mobilenet的区别

machine-learning、neural-network、object-detection

我把SSD和mobilenet搞混了。据我所知，它们都是神经网络。SSD提供本地化，而mobilenet提供分类。因此，SSD和移动网络的结合可以产生目标检测。这张图片来自。SSD的默认分类网络是VGG-16。因此，对于SSD Mobilenet，VGG-16将替换为移动网络。我的陈述正确吗？我在哪里可以获得更多关于SSD Mobilenet的信息，特别是在Tensorflow模型动物园上提供的信息？

浏览 2提问于2018-05-29得票数 4

1回答

机器学习中的特征提取

machine-learning、deep-learning、object-detection

我对阅读遥感目标检测技术综述感到有点困惑。基于机器学习的目标检测由特征提取、特征融合+降维和分类器训练三部分组成。然后，他们列出了特征提取方法：定向梯度直方图，一袋袋话，纹理特征，还有更多。在本节的后面，他们列举了分类器培训的方法，例如：支持向量机 AdaBoost，最近的邻居，神经网络这与我对事物的理解不一致。我的经验主要是在CNN。当我使用卷积神经网络进行目标检测时，它们由特征提取器和分类器组成，不是吗？特征提取器是卷积(和/或其他)层。我从来没有遇到过一种算法/技术，它使用例如一袋单词来提取特征，然后将其提供给神经网络。我可以想象，例如一袋单词和k近邻或支持向量机。但我

浏览 0提问于2020-11-09得票数 0

1回答

Mobilenet vs SSD

machine-learning、neural-network、object-detection

我在mobilenet和SSD之间有一些混淆。据我所知，mobilenet是用于分类和识别的神经网络，而SSD是用于实现多盒检测器的框架。只有两者的结合才能进行目标检测。因此，mobilenet可以与resnet、inception等互换。SSD可以与RCNN互换。我的陈述正确吗？

浏览 5提问于2018-04-12得票数 22

1回答

构造用于目标检测的神经网络最重要的步骤是什么？(非分类)

machine-learning、neural-network、convolution、object-detection、conv-neural-network

我已经和机器学习一起工作了几个月。我曾经使用过咖啡和暗色，现在我将从西亚诺开始。机器学习主要有2项任务: 1.检测；2.分类。虽然我了解大多数分类网络是如何制作或设计的，但我无法清楚地了解构建一个神经网络以检测图像所涉及的基本步骤。在分类上，使用适当的最大池、relu和conv层来获得更好的分类结果，并对网络进行微调。在建立一个用于目标检测的神经网络时，需要记住哪些重要的事情？

浏览 0提问于2016-07-05得票数 2

回答已采纳

1回答

深度置信网络与卷积神经网络在非图像分类任务中的性能

machine-learning、conv-neural-network、unsupervised-learning、multiclass-classification、dbn

在本文中，作者指出，为了更好地分类，在训练分类器之前，使用生成模型来初始化模型和模型特征。通常需要它们来解决单独的无监督和有监督的学习问题。生成受限Boltzmann机器和深度信念网络被广泛应用于无监督学习目的。我的问题是，如果我要通过无监督学习来完成一项非图像多类分类任务，那么在不考虑数据集也很重要这一事实的情况下，使用深度信念网络或卷积神经网络更好吗？与图像分类任务相关的一个类似问题在这里被问到了。答案指出，DBN在非图像分类任务上可能比CNN表现更好，但是否有任何证据可以证明这一点，或者有任何论文对此进行了更深入的探讨？

浏览 10提问于2020-01-28得票数 0

回答已采纳

1回答

从一组图像中匹配一幅图像:结合传统的计算机视觉+深度学习/CNN

machine-learning、deep-learning、image-classification、computer-vision、image-recognition

在我正在开发的应用程序中，我有大约5000张产品标签图像(每个产品有一个标签)。我的应用程序的一个功能是，用户可以使用他的相机拍摄一张照片，并得到一个可能的匹配(Es)的产品标签注册的系统。由于最初，我的系统每个产品只有一个样本，所以我决定采用传统的计算机视觉技术。我使用特征提取和描述符匹配实现了这一点。(使用OpenCV SIFT和FLANN技术，参考如下：https://github.com/kipr/opencv/blob/master/samples/cpp/matching_至_许多_images.cpp) 现在我正在考虑如何结合CNN或深度学习技术来提高准确性，因为当用户批准匹

浏览 0提问于2017-10-24得票数 1

回答已采纳

1回答

如何使用libsvm对图像进行训练和分类？

java、image、machine-learning、classification、svm

使用libsvm的分类总是错误的，并且它永远不会改变预测的标签。我有7种情绪，当我试图从数据集之外预测一幅图像时，它给了我4.这是快乐的情绪，我尝试了数据集中的一幅图像，结果是相同的标签) 我使用带有orientation 6和scale 4的gabor滤波器提取图像特征。我使用脚本grid.py查找cost和gamma的最佳值，最后在训练和获取模型的最后一步中使用了这些参数 ./svm-train -c 8 -g 0.03214 svm.train model.model 我尝试更改内核函数和svm类型，但仍然存在相同的问题。我在训练中使用的特征数量与数据集中的图像数量之间是否存在关系？

浏览 2提问于2015-06-23得票数 1

1回答

ssd_mobilenet_v2_fpnlite_640x640的体系结构是什么？

tensorflow、cnn、computer-vision、object-detection

ssd_mobilenet_v2_fpnlite_640x640的体系结构是什么，它是一个在TensorFlow模型动物园上可用的模型。如果我的理解是正确的，移动网用于特征提取，而SSD用于检测。那么，FPNlite的目的是什么，在哪里使用呢？

浏览 0提问于2022-12-06得票数 1

回答已采纳

1回答

需要用术语或方法名称来评估CNN的无根据事实，例如使用一个回归模型

machine-learning、regression、cnn、model-evaluations

我有以下问题，我已经训练了一个CNN，我可以在样本中评估网络。我想用经过训练的模型来预测那些我没有根据的图像。然而，我可以在回归模型和预测标签一起实现这些图像的其他特征，以预测Y。CNN评估的唯一方法是推断预测的标签是否对Y有影响，例如，用预测的类或整个回归模型的性能来评估变量的重要性。由于回归是可解释的，我认为这种方法可以分配给可解释的AI (@Nikos M.谢谢)。不幸的是，到目前为止，我还不能将这种方法分配给我所读过的任何不可预知AI的方法/分类法。在我的例子中，回归模型是一种代孕模型。它不是一个全局代理，因为我不使用来自黑匣子的预测，而是使用经过训练的CNN模型来预测“代理”模型中

浏览 0提问于2022-05-26得票数 1

2回答

用于音频的卷积神经网络

neural-network、convolution、feature-extraction、supervised-learning、deep-learning

我一直在学习关于DeepLearning.net的教程，以学习如何实现从图像中提取特征的卷积神经网络。本教程解释得很好，易于理解和遵循。我想扩展相同的CNN，同时从视频(图像+音频)中提取多模态特征。我知道视频输入只不过是在一段时间内显示的一系列图像(像素强度)。30 FPS)与音频相关。然而，我并不真正理解什么是音频，它是如何工作的，或者它是如何分解成网络的。我读过几篇关于这个主题的论文(多模特征提取/表示)，但是没有人解释过音频是如何输入到网络中的。此外，我从我的研究中了解到，多模态表征是我们大脑真正运作的方式，因为我们没有刻意过滤掉我们的感官来实现理解。这一切都是在我们不知道的情

浏览 3提问于2014-03-18得票数 34

回答已采纳

1回答

你知道一个回归数据集吗?在那里，深度学习优于svm和随机森林？

deep-learning、dataset、regression、random-forest、svm

我目前正在努力学习深度学习。我问自己，在回归方面，深度学习在哪些方面优于支持向量机和随机森林？你有什么回归数据，深度学习优于支持向量机和随机森林吗？我提出这个问题的主要目的，是看看哪种数据集的深度学习优于支持向量机和随机森林。因为我不知道这些数据集是什么类型的，所以我不想在询问这些数据集时限制太大。更新:从tom给出的答案中，我可以清楚地看到我正在寻找什么样的数据集。因此，更具体地说:如果您知道在不同粒度级别上具有空间/时间结构的数据集，例如，在这个数据集上，卷积深网络的性能优于SVM和随机森林数据集，那么请共享这个数据集或链接到它。不知道为什么这个问题仍然被标记为“暂停”，因为我更新

浏览 0提问于2017-11-22得票数 1

回答已采纳

1回答

卷积神经网络是一个模型，多输出层。

cnn

我正在为Toxici评论分类Kaggle竞赛撰写一份大学报告，比较不同模型的不同尝试，我想知道卷积神经网络是否是一个模型，多输出层模型。 ONMO也称为多任务学习，这种方法将有一个输入层、一组隐藏层和每个标签的一个输出层。另一方面，CNN是几层具有非线性激活函数(如ReLU或tanh )的卷积。它使用输入层上的卷积来计算输出，而不是完全连接的层或仿射层。

浏览 0提问于2018-03-12得票数 0

2回答

特征提取采用深度学习，分类采用but或其他ML算法。

machine-learning、deep-learning、classification、feature-engineering、feature-extraction

用深度学习进行特征提取，同时利用传统机器学习或增强技术进行分类，是否合乎逻辑？如果使用ML算法进行分类，而不是用深度学习方法进行特征提取，那么使用ML算法可以吗?我知道，如果特征工程成功，该模型将自动取得良好的效果。例如:如果我想做一个文本分类问题，我是否可以建立这样一个模型( RNN块的堆栈+ Adaboost)，其中RNN块执行特征提取，Adaboost进行分类？说得通吗？我提出了一种采用集成深度学习框架进行特征提取的体系结构，但是，我是否可以将集成框架与传统的ML或增强算法结合起来进行分类呢？会不会是件多余的事？

浏览 0提问于2022-10-27得票数 1

1回答

在图像分类方案中，是否可以对单个图像使用多个标签

tensorflow、deep-learning、conv-neural-network、pytorch、multilabel-classification

如果我正在构建一个模型，其中我需要预测车辆，它的颜色，以及它的制造，那么我可以使用单个图像的所有标签，并围绕它构建我的模型。就像汽车的单个图像一样(car1.jpg)将有像- Sedan(Make)，Blue(Color)和car (车辆类型)这样的标签。我可以为这个问题建立一个单独的模型，否则我将不得不为这个问题建立3个独立的模型。

浏览 20提问于2019-12-12得票数 0

回答已采纳

6回答

大咖问答——计算机视觉的原理和最佳实践，你知道多少？

人脸识别、文字识别、图像处理、图像识别

相信大家对本期腾讯云开发者社区技术沙龙【计算机视觉的原理及最佳实践】还意犹未尽，所以我们请来了沙龙的五位分享嘉宾在本版块为各位开发者们继续解答关于计算机视觉的问题。同时，对本场沙龙感兴趣的小伙伴也可以点击链接直达沙龙活动页，观看沙龙回放并下载沙龙资料。【分享嘉宾介绍】 image.png 范锦腾讯云资深技术专家冀永楠腾讯云资深技术专家陈琪华图在线高级产品经理卓伟腾讯云高级研发工程师周吉成腾讯云高级产品经理【问答内容】 1. 图像识别系统的原理和应用方法 2. 腾讯云API搭建图像识别应用的优势？ 3. 人脸识别技术在各领域的解决方案 4. 文字识别的技术难点 5. 搭建人

浏览 923提问于2019-04-12

1回答

哪种模式可以将日常照片归类为膳食/人/风景，而不是特定的对象？

tensorflow、machine-learning、image-classification

我想对日常照片进行分类，简单地分为餐、人、宠物、风景、旅游等。我发现图像分类模型都是基于数据集(如ImageNet2012 )的，这些模型的输出都是对象预测，偏离了我的要求。什么样的模型和数据集能满足我的需求？或者，除了神经网络，甚至除了机器学习之外，还有其他方法吗？

浏览 4提问于2020-12-11得票数 0

回答已采纳

3回答

神经网络学习的课题

machine-learning、deep-learning

我最近开始学习深层神经网络，并在网上阅读教程。无论在哪里，我都看到用CNN进行图像分类的话题有点模糊。在学习图像分类之后，似乎没有人遵循指南来学习哪些主题。如果有人能指导我学习更高级的课题，并开始这个领域的研究，我会非常感激的。到目前为止，我所讨论的主题是：基础机器学习线性回归 Logistic回归支持向量机决策树优化算法正则化方法不同损失函数训练中的不同计量学特征提取 HyperParameter调谐基本神经网络安 CNN 图像分类训练前的图像增强可视化过滤器我已经开始使用CNN学习对象检测，但我有一种感觉，我错过了一些可以加强我的基础的话题。提前谢

浏览 0提问于2020-07-10得票数 3

回答已采纳

1回答

GKE是否使用覆盖网络？

networking、kubernetes、google-compute-engine、google-kubernetes-engine

腾讯云容器服务使用kubenet网络插件搭建容器接口，并在私有网络中配置路由，使容器在不同的主机上可以互相访问。维基百科将overlay定义为a computer network that is built on top of another network。 GKE的网络模型应该被认为是覆盖网络吗？它建立在另一个网络之上，因为它依赖于群集中节点之间的连接才能正常工作，但Pod IP在VPC内是本地可路由的，因为路由通知网络要去哪个节点查找特定Pod。

浏览 28提问于2019-02-17得票数 2

回答已采纳

1回答

有限数据量卷积神经网络

database、conv-neural-network

我建立了一个用于图像分类的卷积神经网络，它成功地处理了每个类的大量数据，但我希望用特定的数据库来实现它，每个类的可用数据量有限(例如，可以是1、2、3)。同一模型的精度将非常低，而不是我使用的数据增强，批归一化，和退出。如何在低数据量的情况下提高系统的精度，是否有专门针对这种情况的模型，或对我的系统进行任何其他的补充或对我的图像进行编辑，以获得高度评估精度系统。有人能帮帮我吗我很困惑。谢谢..。

浏览 0提问于2019-06-19得票数 0

回答已采纳

8回答