本文分享自华为云社区《基于卷积神经网络的MAE自监督方法》，作者： Hint 。图像自监督预训练算法是近年来的重要研究方向，MAE是其中基于ViT实现的代表性方法，学习到了鲁棒的视觉特征。MAE全称是Masked Autoencoders,是由何凯明提出的自监督预训练方法，借鉴了BERT的预训练任务，将输入图片的patch以较大的比例进行mask，并通过非对称的ViT编码解码器结构，进行masked...

我们提出了一种简单但功能强大的卷积神经网络结构，该模型在推理时类似于VGG，只有3×3的卷积和ReLU堆叠而成，而训练时间模型具有多分支拓扑结构。训练时间和推理时间结构的这种解耦是通过结构重新参数化技术实现的，因此该模型被命名为RepVGG。在ImageNet上，RepVGG达到了超过80%的TOP-1准确率，据我们所知，这是第一次使用普通模型。在NVIDIA 1080Ti GPU上，RepVGG型...

论文地址：https://arxiv.org/pdf/2208.03641v1.pdf 代码地址：https://github.com/labsaint/spd-conv 卷积神经网络(CNN)在图像分类、目标检测等计算机视觉任务中取得了巨大的成功。然而，在图像分辨率较低或对象较小的更困难的任务中，它们的性能会迅速下降。 这源于现有CNN体系结构中一个有缺陷但却很常见的设计，即使用strided c...

《PP-LCNet: A Lightweight CPU Convlutional Neural Network》 论文地址：https://arxiv.org/abs/2109.15099 代码地址：https://github.com/ngnquan/PP-LCNet 我们提出了一种基于MKLDNN加速策略的轻量级CPU网络，名为PP LCNet，它提高了轻量级模型在多个任务上的性能。本文列出了...

一、说明         本篇是 变压器因其计算效率和可扩展性而成为NLP的首选模型。在计算机视觉中，卷积神经网络（CNN）架构仍然占主导地位，但一些研究人员已经尝试将CNN与自我注意相结合。作者尝试将标准变压器直接应用于图像，发现在中型数据集上训练时，与类似ResNet的架构相比，这些模型的准确性适中。然而，当在更大的数据集上进行训练时，视觉转换器（ViT）取得了出色的结果，并在多个图像识别基准上...

据样本为4×500=2000张图片。每一张图片是带分类标签的RGB图片，图片大小为424×424×3像素。类别标签为0、1、2、3，分别代表圆形星系、中间星系、侧向星系和旋涡星系。 本案例的任务是使用卷积神经网络对2000张星系图片进行分类，并评价网络模型的分类效果。   01、案例实现 本节使用Keras库中的ResNet50模型实现上述案例，即利用ResNet50模型对星系图片进行分类。实现过程如...

一、介绍 文本分类系统，使用Python作为主要开发语言，通过TensorFlow搭建CNN卷积神经网络对十余种不同种类的文本数据集进行训练，最后得到一个h5格式的本地模型文件，然后采用Django开发网页界面，实现用户在界面中输入一段文字，识别其所属的文本种类。 在我们的日常生活和工作中，文本数据无处不在。它们来自各种来源，包括社交媒体、新闻文章、客户反馈、科研论文等。随着大数据和人工智能技术的不...

🏆🏆🏆Yolov8魔术师🏆🏆🏆🏆🏆🏆 ✨✨✨魔改网络、复现前沿论文，组合优化创新 🚀🚀🚀小目标、遮挡物、难样本性能提升 🍉🍉🍉定期更新不同数据集涨点情况         本博客将具有部署友好机制的强大卷积块和变换块，即NCB和NTB，引入到yolov8，实现高效涨点           通过开发新型的卷积块（NCB）和 Transformer 块（NTB），部署了友好的机制来捕获局部和全局信息。然后，...

深度学习笔记之卷积神经网络——卷积示例与池化操作 引言卷积神经网络：卷积层卷积层的计算过程 池化层描述池化层的作用——降低模型复杂度，防止过拟合池化层执行过程池化层代码示例 池化层的作用——平移不变性卷积加池化作为一种无限强的先验池化层的反向传播过程 引言 上一节介绍了卷积的另一特点——筛选数据特征。并通过神经网络的反向传播过程，我们能够对卷积核内的参数进行更新，得到从数据中提取到更优质特征的卷积核...

卷积神经网络的剪枝及其在嵌入式视觉系统中的应用 摘要 在过去的十年里，计算机视觉的最新技术一直是由深度神经网络，特别是卷积神经网络所控制的。无论是分类、语义分割还是目标检测，神经网络现在都是一个无可争议的首选。因此，它们现在被认为是许多工业应用的必要条件，如自动驾驶。这就是为什么许多公司，如斯坦兰蒂斯公司，现在表现出使人工智能成为他们未来活动的关键部分的新野心的原因。 不幸的是，神经网络令人印象深刻的...