cnn

1/24ページ

CNN中感受野的計算

感受野(receptive field)是怎樣一個東西呢,從CNN視覺化的角度來講,就是輸出featuremap某個節點的響應對應的輸入影象的區域就是感受野。 比如我們第一層是一個3*3的卷積核,那麼我們經過這個卷積核得到的featuremap中的每個節點都源自這個3*3的卷積核與原影象中3*3的區 […]

影象語義分割(3)- Dilated Convolutions

以 FCN 和 SegNet 為代表的影象分割方法與傳統的 CNN 一樣,先對影象做卷積再做池化。其中池化的意義一方面是降低計算量,另一方面是增大感受野 但影象分割是 pixel-wise 輸出,因此上面兩種方法將池化後的影象做上取樣(反摺積),使尺寸與輸入一致。在減小到增大尺寸的過程中,很大一部分 […]

湯曉鷗為CNN搓了一顆大力丸

夏乙 發自 凹非寺量子位 出品 | 公眾號 QbitAI 大把時間、大把GPU喂進去,訓練好了神經網路。 接下來,你可能會迎來傷心一刻: 同學,測試資料和訓練資料,色調、亮度不太一樣。 同學,你還要去搞定一個新的資料集。 是重新搭一個模型呢,還是拿來新資料重新調參,在這個已經訓練好的模型上搞遷移學習 […]

CNN在基於弱監督學習的影象分割中的應用

來源:知乎文章 https://zhuanlan.zhihu.com/p/23811946 最近基於深度學習的影象分割技術一般依賴於卷積神經網路CNN的訓練,訓練過程中需要非常大量的標記影象,即一般要求訓練影象中都要有精確的分割結果。 對於影象分割而言,要得到大量的完整標記過的影象非常困難,比如在I […]