1回答
这是一本书中关于构建CNN的代码的一部分。我不明白为什么这里的‘filter =64’。据我所知，这是特征图的数量。当我制作自己的CNN时，我如何确定这个数字？model.add(Dense(num_labels))model.summary()
plot_model(model, to_file='cnn-mnist.
浏览 25提问于2020-06-21得票数 0
1回答
我们知道像faster-rcnn和mask-rcnn这样的对象检测框架有一个roi pooling layer或roi align layer。但是为什么ssd和yolo框架没有这样的层呢？
浏览 0提问于2019-04-09得票数 2
回答已采纳
1回答
我最近在考虑(a)训练CNN和(b) CNN推理的记忆成本。请注意，我不是在谈论存储(这只是参数的数量)。对于亚当的训练，我现在假设我有一个最小批次大小的B \in \mathbb{N}和w \in \mathbb{N}是CNN的参数数。然后，单个训练通行证的内存占用量(训练过程中任何时刻所需
浏览 0提问于2017-01-13得票数 9
1回答
本文描述了一种以cnn-hmm为声学模型的声学模型.输入是mel滤波能量的图像，形象化为平面图.本文描述了一种电话识别的方法(据我所知)，在这些有限的重量分配方案上应用CNN应该对电话识别是有益的。用于输出
我们使用了183个目标类标签，即61部手机的每个HMM有3个状态。解码后，最初的61个电话类被映射到一组39个类中，如在47中进行最终评分。在我们的实验中，使
浏览 0提问于2017-03-28得票数 2
回答已采纳
1回答
在Fast中，我理解您首先将CNN应用于图像，以获得特征地图。然后，使用ROIs生成一个外部对象检测器(selectivesearch)来获取感兴趣的潜在对象的边界框。但是，我不明白如何从与感兴趣区域相关联的功能映射中获得这些特性。
例如。应用Selectivesearch，我得到一个列表(x，y，宽度，高度)。然后，我应用CNN(inceptionv3)得到一个2048x1特征向量(来自pool3层)。如何从图像的
浏览 5提问于2017-07-21得票数 2
2回答
互联网上充斥着这样的图片：但是当第二层/第三层/第三层或第三层CNN层已经被前几层提取时，如何能够提取特征呢？例如，图片中的中级功能有一个鼻子.当我们应用这个“鼻子”过滤器时，输出特征图将是一个没有鼻子的图像，对吗？然后，这个特征映射被传递到下一个CNN层，但是如果给它的特征映射不包含鼻子，它如何能够提取“高级特征”呢？我们在CN
浏览 0提问于2020-07-16得票数 0
回答已采纳
1回答
我目前正在尝试实现一个cnn网络，它可以将输入映射到输出。输出的特征向量形状是(x,13)。我认为在这里使用cnn作为stft似乎是合适的，因为由于重叠，每个输入都包含了前一个样本的一
浏览 0提问于2017-01-23得票数 1
2回答
计算机视觉的特点是什么？
、、、
我正在学习U-NET网络是如何进行语义分割的。我读到卷积层使用它们的过滤器从图像中提取特征，但它们是什么呢？它们是拐角吗？边缘？颜色？我读过这篇文章"发现特征"，但我想我需要更多关于它们的信息。
浏览 0提问于2020-02-12得票数 1
回答已采纳
2回答
新图像尺寸的传递学习
、、、
转移学习:将经过训练的神经网络用于新的分类任务。我不明白为什么改变输入形状不会影响卷积层的重量和为什么它会影响完全连接的层权重。
如果我的问题听不懂，请告诉我。
浏览 0提问于2019-08-16得票数 1
回答已采纳
1回答
我已经看到了几种不同的卷积神经网络(CNN)的架构。我搞不懂哪一种是标准，以及如何决定使用什么。我并不为所使用的层数或所涉及的参数数目感到困惑，而是对网络的组件感到困惑。假设：
CL，SL，CL，SL，CM，SoftmaxCL，SL，CL，SL，NN，Softmax
CL，SL，CL，
浏览 2提问于2014-10-17得票数 3
我已经阅读和看到，在CNN中，我们在完全连接的层之间应用了辍学层，以减少过度拟合。
我们是否也可以应用退出层之间的CONV层和池层。我还没有见过这种方法的模型。
浏览 0提问于2020-10-29得票数 0
我正在尝试实现在一种用于投资组合管理的层次深Q网络框架中描述的CNN (见截图)。本文将CNN的第一层描述为内核为1x3，采用形状(2,10,4)的价格张量，输出了32幅大小为2x5的特征图。实际报价如下：
第一层和第二层:如图1所示，first CNN层收到价格张量，尽管尺寸(2，10，4)。这一层的filter为1×3，我们在这里使用的激活函数是defined in (Klambau
浏览 0提问于2022-12-16得票数 0
1回答
这种CNN架构是如何从输入层到第一卷积层工作的？hx98是输入矩阵维数，n是通道数还是输入数？
看起来不像n是通道的数目，因为25是特征映射的数量，它们的尺寸并不表示它们是两个通道。然而，如果n是输入的数目，矩阵是单通道的，那么我还没有发现任何一个CNN架构，可以将多个输入矩阵合并在一起。大多数例子将它们分开，然后连接起来。在我的例子中，n是2，一个是具
浏览 2提问于2022-04-27得票数 0
阅读，网络的第一部分，即那些卷积层，首先在ImageNet数据集上以224x224的输入分辨率接受训练，这就是mentioned1。我想知道如何实现这种转换:如果网络的输入是最初的224x224，那么参数的数量应该不同于448x448，这意味着在ImageNet数据集上训练的卷积层不能被重用来检测。
我在这里错过了什么？
浏览 0提问于2018-04-24得票数 0
回答已采纳
CNN架构中的如何(在第2层-池化层之后)将6@14x14功能映射到16@10x10功能？你能说出卷积内核的大小吗?他们中的许多人需要用来连接6@14x14特征映射到16@10x10特征映射吗？
浏览 6提问于2015-03-06得票数 0
3回答
can可以有数百个隐藏层，而且由于它们经常与图像数据一起使用，因此有许多层捕获更多的复杂性。
然而，据我所见，RNN通常只有几个层，例如2-4层。例如，对于心电图(ECG)分类，我见过文献使用LSTM 4层，CNN 10-15层，结果相似。
浏览 0提问于2019-06-09得票数 9
4回答
卷积神经网络中的批量归一化
、、、、
我是卷积神经网络的新手，我只知道特征映射以及如何对图像进行卷积来提取特征。我很高兴知道在CNN中申请批量正常化的一些细节。我读了这篇文章，，可以理解应用于数据的BN算法，但最后他们提到，当应用于CNN时，需要稍加修改：
对于卷积层，我们还希望归一化服从卷积性质，从而使同一特征映射的不同元素在不同的位置以相同的方式规范化。1，我们将B设为
浏览 12提问于2016-07-24得票数 88
2回答
假设我有一个维度为125 * 125的RGB图像，并且我使用了10个5*5维的过滤器，并且so =3，那么这一层的特征映射是什么？参数的总数是多少？我对特征图的猜测是: 10*((125-5)/3)+1 = (41 * 41 *10)(滤波器的no )，但是RGB图像和灰度图像之间的区别是什么?所以对于RGB图像，应该是41 * 41 * 30 (滤波器*没有输入图像的通道)？参数总数:5
浏览 1提问于2021-02-12得票数 0
回答已采纳
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
云直播
对象存储
实时音视频活动推荐
腾讯云开发者
