开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

全CNN模型对特定类别的分类偏差

全CNN模型是一种卷积神经网络模型，它在图像分类任务中具有一定的优势。对于特定类别的分类偏差，可以通过以下方式来解决：

数据增强：通过对训练数据进行旋转、平移、缩放等操作，扩增数据集的大小，以增加模型对特定类别的泛化能力。
数据平衡：如果特定类别的样本数量较少，可以采用过采样或欠采样的方法，使得不同类别的样本数量相对均衡，以避免模型对于样本数量较多的类别过度偏向。
类别加权：通过为不同类别设置不同的权重，使得模型更加关注对于特定类别的分类效果，从而减少分类偏差。
网络调整：可以对全CNN模型进行结构上的调整，如增加卷积层、调整网络层的连接方式等，以提升对于特定类别的分类能力。
迁移学习：可以利用预训练的全CNN模型，在特定类别上进行微调，以快速获得较好的分类结果。

推荐的腾讯云相关产品：腾讯云AI 机器学习平台（https://cloud.tencent.com/product/ai）

腾讯云AI 机器学习平台提供了丰富的人工智能和机器学习服务，包括图像识别、语音识别、自然语言处理等功能，可以帮助用户构建全CNN模型并进行特定类别的分类任务。

相关搜索:提高CNN模型对水果分类的精度- Pytorch 我不能理解我的CNN多类分类模型是否过拟合？用于二分类的cnn模型，86%的val_accuracy总是返回1 分类模型产生极低的测试精度，尽管训练和验证精度对多类分类很好腾讯云微信商城腾讯云微信支付腾讯云显示设置腾讯云中国香港二区腾讯云-小程序腾讯云小微登录

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

目标检测 - YOLO9000 : Better, Faster, Stronger

本文主要有两点： 1）改进YOLO，提出了 YOLOv2,速度快，效果好。67 FPS, YOLOv2 gets 76.8 mAP on VOC 2007； 40 FPS, YOLOv2 gets 78.6mAP 2）将检测和分类训练融合到一起，可以检测没有学习到的类别。

02

详解计算机视觉五大技术：图像分类、对象检测、目标跟踪、语义分割和实例分割

译者 | 王柯凝【 AI 科技大本营导读】目前，计算机视觉是深度学习领域最热门的研究领域之一。计算机视觉实际上是一个跨领域的交叉学科，包括计算机科学（图形、算法、理论、系统、体系结构），数学（信息检索、机器学习），工程学（机器人、语音、自然语言处理、图像处理），物理学（光学），生物学（神经科学）和心理学（认知科学）等等。许多科学家认为，计算机视觉为人工智能的发展开拓了道路。那么什么是计算机视觉呢？这里给出了几个比较严谨的定义： ✦ “对图像中的客观对象构建明确而有意义的描述”（Ballard＆B

07

详解计算机视觉五大技术：图像分类、对象检测、目标跟踪、语义分割和实例分割

目前，计算机视觉是深度学习领域最热门的研究领域之一。计算机视觉实际上是一个跨领域的交叉学科，包括计算机科学（图形、算法、理论、系统、体系结构），数学（信息检索、机器学习），工程学（机器人、语音、自然语言处理、图像处理），物理学（光学），生物学（神经科学）和心理学（认知科学）等等。许多科学家认为，计算机视觉为人工智能的发展开拓了道路。

02

中篇 | 多轮对话机器之话题意图识别

引言回顾一下自己参与的智能客服系统项目，从技术调研到游戏领域的对话文本数据分析和任务细分定义，再到建模调优以及最后的运营优化等整体流程的学习，收获良多。一般的智能客服系统包括三大模块，具体系统结构图如下：对话系统整体结构图对于多轮任务型对话，首先需要理解用户主要说了啥，怎么说的以及对话的逻辑流程，并借助于对业务的理解以及对话文本的数据分析，抽象出对用户发言的语义理解定义，也即是语义理解模块。本篇主要是讲述意图识别的技术知识。在我们的业务场景中，意图细分成了2层的层级意图结构，也即话题意图以及

05

Mask R-CNN

我们提出了一个概念简单、灵活和通用的目标实例分割框架。我们的方法有效地检测图像中的目标，同时为每个实例生成高质量的分割掩码。该方法称为Mask R-CNN，通过添加一个分支来预测一个目标掩码，与现有的用于边界框识别的分支并行，从而扩展了Faster R-CNN。Mask R-CNN训练简单，只增加了一个小开销到Faster R-CNN，运行在5帧每秒。此外，Mask R-CNN很容易推广到其他任务，例如，允许我们在相同的框架下估计人类的姿态。我们展示了COCO套件中所有三个方面的顶级结果，包括实例分割、边界框目标检测和人员关键点检测。没有花哨的修饰，Mask R-CNN在每个任务上都比所有现有的单模型条目表现得更好，包括COCO 2016挑战赛冠军。我们希望我们的简单而有效的方法将作为一个坚实的baseline，并有助于简化未来在实例级识别方面的研究。

02

农林业遥感图像分类研究[通俗易懂]

遥感图像处理是数字图像处理技术中的一个重要组成部分，长期以来被广泛应用于农林业的遥感测绘，防灾减灾等领域。本文旨在通过深度学习技术从遥感影像中分类出农田和林业地块。手工从遥感图像中分类出农田和林业区域分类虽然准确但是效率低下，并且很多采用传统图像分割技术的方法泛化性能差，不适合场景复杂的遥感图像。经实践证明，使用深度学习技术在各种计算机视觉任务中都取得了良好的效果，因此本文首先使用先进的深度学习框架进行分类实验，例如使用PSPNet,UNet等作为分割网络对遥感图像数据集进行分类与分割训练。这些框架在ImageNet，COCO，VOC等数据集上表现很好，但是由于遥感图像数据集相对于ImageNet，COCO等数据集，不仅检测对象相对较小而且可供学习的数据集样本较少，需要针对这一特点进行优化。本文经过多次实验将高分辨率的图像切割成合适大小分辨率的图像以减小神经网络的输入，同时进行图片的预处理和数据增强来丰富学习样本。同时在真实情况下，农林区域易受到拍摄视角，光照等造成分割对象重叠，因此本文提出一种处理分割对象重叠的处理策略，来优化边界预测不准确的情况，使用该方法后准确率有明显提升。经实验证明，本文所提出的基于深度学习的农林业遥感影像分割在开源遥感图像数据集上的取得了94.08%的准确率，具有较高的研究价值农林业遥感图像数据（图1）对于许多与农林业相关的应用至关重要。例如作物类型和产量监测，防灾减灾以及对粮食安全工作的研究和决策支持。最初，这些数据主要由政府机构使用。如今，蓬勃发展的农林业技术也需要在农场管理，产量预测和林业规划等各种应用领域进行革新。以往农林业地块的高质量遥感图像数据主要是手动在高分辨率图像中分割出来的，即通过土地功能不同引起的颜色，亮度或纹理的差异与周围区域亮度或纹理的差异与周围区域区分开来。尽管农林业遥感图像的手动分类可以非常准确，但是非常耗时耗力。图1.1：农田的遥感图像分割定期更新农林业遥感图像数据的需求日益增加扩大了自动化分割农林业遥感图像的需求。与ImageNet、VOC2007、COCO等目标检测/分类数据集中的大多数图像相比，农林业遥感图像中的对象相对简单。例如，人体的图像数据看起来要复杂得多，因为它包含各种不同纹理和形状的子对象（面部，手部，衣服等）。因此，优化传统的图像分割以及深度学习技术来设计用于农林业遥感图像分割的算法是非常重要的。该模型需要正确地排除不需要进行分割的对象（房屋，工厂，停车场等），区分具有几乎相似的光谱特性的相邻区域和可见度差的边界区域，并且正确地分割出所需的对象。 1.2 选题来源与经费支持本研究课题来源于计算机与信息工程学院随着传感器技术，航空航天技术，图像处理技术快速的发展，利用卫星遥感图像进行深度学习处理广泛应用于生产实际中。由于农林业遥感图像场景复杂，使用传统图像处理分割算法效果差且泛化性能弱，本文使用深度学习方法，在现有的的深度学习模型上训练，优化，最终提出一种一种优化后的深度学习模型，经测试，该模型在收集的农林业遥感图像数据集上可以准确的分割出所需的对象，本文提出的模型主要解决如下几个难点：

02

Generalized Few-Shot Object Detection without Forgetting

近年来，少样本目标检测被广泛用于处理数据有限的情况。虽然大多数以前的工作仅仅集中在少样本类别的性能上，我们声称检测所有类别是至关重要的，因为测试样本可能包含现实应用中的任何实例，这需要少样本检测器在不忘记的情况下学习新概念。通过对基于迁移学习的方法的分析，利用一些被忽略但有益的性质，设计了一种简单而有效的少样本检测器——Retentive R-CNN。它由偏置平衡的局部概率神经网络和预处理的局部概率神经网络组成，并通过重检测器在不忘记先前知识的情况下找到少量的类目标。在少拍检测基准上的大量实验表明，在所有设置中，Retentive R-CNN在整体性能上明显优于最先进的方法，因为它可以在少样本类上获得有竞争力的结果，并且根本不会降低基类的性能。我们的方法已经证明了长期期望的永不遗忘学习者在目标检测中是可用的。

01

这5种计算机视觉技术，刷新你的世界观

计算机视觉是目前深度学习领域最热门的研究领域之一。它位于许多学术科目的交汇点，如计算机科学（图形学，算法，理论，系统，建筑），数学（信息检索，机器学习），工程学（机器人学，语音，自然语言处理，图像处理），物理学（光学），生物学（神经科学）和心理学（认知科学）。由于计算机视觉代表了对视觉环境及其背景的相对理解，许多科学家认为，该领域由于其跨域掌握为人工智能铺平了道路。

03

新加坡国立大学&哈工大提出《Incremental-DETR》，基于自监督学习的增量 Few-Shot 目标检测，性能SOTA！

本文分享论文『Incremental-DETR: Incremental Few-Shot Object Detection via Self-Supervised Learning』，由新国立&哈工大提出 Incremental-DETR 进行基于自监督学习的增量 Few-Shot 目标检测，性能SOTA！

01

基于深度学习的目标检测算法面试必备（RCNN~YOLOv5）

目标检测算法主要包括：【两阶段】目标检测算法、【多阶段】目标检测算法、【单阶段】目标检测算法

04

目标检测

图片分类任务我们已经熟悉了，就是算法对其中的对象进行分类。而今天我们要了解构建神经网络的另一个问题，即目标检测问题。这意味着，我们不仅要用算法判断图片中是不是一辆汽车，还要在图片中标记出它的位置，用边框或红色方框把汽车圈起来，这就是目标检测问题。其中“定位”的意思是判断汽车在图片中的具体位置。

03

Nature子刊 | 适用于生物学研究人员的机器学习指南（上）

生物数据规模的扩大和固有的复杂性促使机器学习在生物学中的应用越来越多。所有的机器学习技术都能将模型与数据相匹配；然而，对于生物学研究人员来说如何正确理解和使用机器学习技术，仍然存在很多困惑。去年9月《Nature reviews molecular cell biology》发表了一篇题为“A guide to machine learning for biologists”的综述文章，不仅概述了关键的机器学习技术，还描述了不同技术如何适用于特定类型的生物数据，同时讨论了一些最佳实践和在开始进行涉及机器学习的实验时需要考虑的要点。

04

Nice Trick | 不想标注数据了！有伪标签何必呢，Mixup+Mosaic让DINO方法再继续涨点

在深度学习时代，目标检测取得了显著的进展，但高度依赖昂贵的人工标注。因此，半监督学习越来越受到研究兴趣的青睐，它利用未标注数据来提高检测器性能，而不只是依赖标注。

01

清华构建新一代数据集NICO，定义图像分类新标准

每件事物的出现都有它各自的使命，我们今天提数据集就不得不提到ImageNet，ImageNet数据集及其它推动的大规模视觉比赛对人工智能特别是计算机视觉领域的巨大贡献是毋庸置疑的。

03

卷积神经网络CNN，CRNN

上图中CNN要做的事情是：给定一张图片，是车还是马未知，是什么车也未知，现在需要模型判断这张图片里具体是一个什么东西，总之输出一个结果：如果是车那是什么车。

01

深度学习经典网络解析：8.R-CNN

目标检测（Object Detection) 就是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，通俗点说就是给定一张图片要精确的定位到物体所在位置，并完成对物体类别的识别。其准确性和实时性是整个系统的一项重要能力。

03

[翻译]Learning Deep Features for Discriminative Localization

摘要在这项工作中，我们重新审视了《 Network in network》中提出的全局平均池化层（global average pooling），并阐明了它是如何通过图片标签就能让卷积神经网络具有卓越的定位能力。虽然这项技术以前被当做正则化训练的一种方法，但是我们发现它实际构建了一种通用的适用于各种任务的能定位的深度表示。尽管global average pooling很简单，我们仍然能够在2014年的ILSVRC物体定位比赛中得到37.1%的top-5错误率，与CNN的34.2%top-5错误率非常接近。我们证明了我们的网络能在各种任务中区分图像区域进行定位，尽管没有经过（定位）训练。

03

最全综述 | 图像目标检测

图片分类任务我们已经熟悉了，就是算法对其中的对象进行分类。而今天我们要了解构建神经网络的另一个问题，即目标检测问题。这意味着，我们不仅要用算法判断图片中是不是一辆汽车，还要在图片中标记出它的位置，用边框或红色方框把汽车圈起来，这就是目标检测问题。其中“定位”的意思是判断汽车在图片中的具体位置。

01

CNN--卷积神经网络从R-CNN到Faster R-CNN的理解(CIFAR10分类代码)

上图中CNN要做的事情是：给定一张图片，是车还是马未知，是什么车也未知，现在需要模型判断这张图片里具体是一个什么东西，总之输出一个结果：如果是车那是什么车。

02

Mask-RCNN论文解读

Mask R-CNN是基于Faster R-CNN的基于上演进改良而来，FasterR-CNN并不是为了输入输出之间进行像素对齐的目标而设计的，为了弥补这个不足，我们提出了一个简洁非量化的层，名叫RoIAlign，RoIAlign可以保留大致的空间位置，除了这个改进之外，RoIAlign还有一个重大的影响：那就是它能够相对提高10%到50%的掩码精确度（Mask Accuracy），这种改进可以在更严格的定位度量指标下得到更好的度量结果。第二，我们发现分割掩码和类别预测很重要：为此，我们为每个类别分别预测了一个二元掩码。基于以上的改进，我们最后的模型Mask R-CNN的表现超过了之前所有COCO实例分割任务的单个模型，本模型可以在GPU的框架上以200ms的速度运行，在COCO的8-GPU机器上训练需要1到2天的时间。

05

如何用NumPy搭建卷积神经网络实现手写数字识别（附代码）

当Yann LeCun发表了他关于开发一种新型神经网络架构——卷积神经网络(Convolutional neural network, CNN)——的研究成果时，他的工作基本上没有引起注意。在2012年的ImageNet计算机视觉大赛上，来自多伦多大学的一组研究人员花了14年的时间将CNN引入公众视野。当他们从数千个类别的中对数百万张图片进行分类时，只产生了15.8%的错误。快进到现在，当前最先进的卷积神经网络实现的精度超过人类水平的性能。

01

ICCV 2023 Random Boxes Are Open-world Object Detectors 论文解读

目标检测是计算机视觉的基础任务之一,目的是给图像中的目标对象定位和分类。当前主流的目标检测算法都是基于封闭世界假设,即假设所有需要检测的类别在训练集中都有标注。但是实际应用中,目标检测系统面临的视觉世界是开放和动态的,随时会出现未知类别的目标。因此,构建对未知类别目标更加稳健的开放世界目标检测模型,既能持续检测已知类别,又能将未知类别归类为“unknown”,成为一个重要的研究课题。

04

Mask-RCNN论文解读

Mask R-CNN是基于Faster R-CNN的基于上演进改良而来，FasterR-CNN并不是为了输入输出之间进行像素对齐的目标而设计的，为了弥补这个不足，我们提出了一个简洁非量化的层，名叫RoIAlign。

08

RCNN和SPPnet

整体思路：输入一张图片，selective search方法提取2000个proposal region，由于CNN输入图片的大小是固定的，所以需要把proposal region变成同样的大小（比如227×227），然后通过五层卷积层和两个全连接层，然后用SVM进行分类

02

目标检测算法之YOLO

先假设一个场景，幼儿园老师给小朋友们出了一个题目，看谁能最快的找出笑的最美的那张脸？各位SIGAIer也可以试验下，和小朋友们比比测试下自己的辨识能力。

02

想入门设计卷积神经网络？这是一份综合设计指南

作者：George Seif 机器之心编译参与：Nurhachu Null、刘晓坤这篇文章可以作为一个设计指南，为特定分类任务的 CNN 设计提供指导。作者围绕准确率、速度、内存消耗三个指标的权衡，从网络类型、架构设计、数据处理和迁移学习等方面介绍了 CNN 设计过程中使用的方法。你想开始做图像分类，但是无从着手。应该使用哪个预训练网络？如何修改网络以使其满足需求？你的网络应该包含 20 层还是 100 层？哪些是最快的、最准确的？这些是你为图像分类选择最好的 CNN 时会遇到的众多问题。当选择

04

基于三维卷积神经网络的点云标记

本文研究三维点云的标记问题。介绍了一种基于三维卷积神经网络的点云标记方法。我们的方法最大限度地减少了标记问题的先验知识，并且不像大多数以前的方法那样需要分割步骤或手工制作的特征。特别是，我们提出了在培训和测试过程中处理大数据的解决方案。在包含7类对象的城市点云数据集上进行的实验显示了我们应用程序的鲁棒性。

03

德国学者给CNN泼冷水：图像分类策略太简单，提高准确率全靠调参

上面一堆杂乱无章的图片，你能看出是什么吗？但CNN却能很轻松地识别它们。其实，人与机器在这方面的差异，恰恰蕴含着神经网络分类策略背后简单的逻辑。

01

杜克大学提出 OSR-ViT | 性能水平远超现有的监督学习方法，仅使用少量训练数据就能超越监督 Baseline ！

传统的目标检测模型是在闭合集条件下设计、训练和评估的，在这个条件下，假定所有感兴趣的可能类别在训练数据集中都被详尽地标记了。如果这样的模型在开放集环境中部署，其中存在来自训练类别分布之外的未知物体，模型可能会将物体错误分类为已知类别，或者完全检测不到物体——这会导致严重的安全、公平性和可靠性问题。这促使了对开放集目标检测[23]的需求，其中除了已知的“分布内”(ID)物体之外，还明确处理未知的“分布外”(OOD)物体。

01

AAAI 2023 Oral | 回归元学习，基于变分特征聚合的少样本目标检测实现新SOTA

机器之心专栏腾讯优图实验室少样本目标检测器通常在样本较多的基础类进行训练，然后在样本较少的新颖类上进行微调，其学习到的模型通常偏向于基础类，并且对新颖类样本的方差敏感。为了解决这个问题，腾讯优图实验室联合武汉大学提出了基于变分特征聚合的少样本目标检测模型 VFA，大幅刷新了 FSOD 指标。本工作已入选 AAAI 2023 Oral。不同于传统的目标检测问题，少样本目标检测（FSOD）假设我们有许多的基础类样本，但只有少量的新颖类样本。其目标是研究如何将基础类的知识迁移到新颖类，进而提升检测器对新颖类

01

你的模型是不是换个场景就不行了？CAT 的完美设计解决类内偏差，场景自适应的目标检测就这么诞生了

Foggy Cityscapes数据集上，作者获得了52.5 mAP，相比于最先进方法的51.2 mAP，这是一个显著的提升。

01

深度 | 最后一届ImageNet挑战赛落幕，「末代」皇冠多被国人包揽

选自LSVRC 2017 机器之心编译参与：机器之心编辑部近日，ImageNet 最后一届挑战赛成绩已经公布，多个国内院校和企业在各个比赛项目上取得了非常不错的成绩。奇虎和南京信息工程大学团队分别在定位任务和检测任务上取得了最佳成绩。本文将首先介绍本次的比赛情况，并简要介绍优秀团队的建模方法。同时我们也关注了 WebVision 挑战赛近日公布的结果。在本次 ImageNet 竞赛中，南京信息工程大学和帝国理工学院的团队 BDAT 获得了目标检测的最优成绩，最优检测目标数量为 85、平均精确率为 0.

05

R-FCN: Object Detection via Region-based Fully Convolutional Networks

我们提出了基于区域的全卷积网络，用于精确和有效的目标检测。与之前的基于区域的检测器(如Fast/Faster R-CNN)相比，我们的基于区域的检测器是全卷积的，几乎所有计算都在整个图像上共享。为了实现这一目标，我们提出了位置敏感的分数映射来解决图像分类中的平移不变性与目标检测中的平移方差之间的矛盾。因此，我们的方法可以很自然地采用完全卷积的图像分类器骨干网络，如最新的残差网络(ResNets)，用于目标检测。我们使用101层ResNet在PASCAL VOC数据集上显示了很有竞争的结果(例如，在2007年的集上显示了83.6%的mAP)。同时，我们的结果在测试时的速度为每张图像170ms，比Faster R-CNN对应图像快2.5-20倍。

02

刷剧不忘学CNN：TF+Keras识别辛普森一家人物 | 教程+代码+数据集

王小新编译自 Medium 量子位出品 | 公众号 QbitAI Alexandre Attia是《辛普森一家》的狂热粉丝。他看了一系列辛普森剧集，想建立一个能识别其中人物的神经网络。接下来让我

05

深度学习500问——Chapter09：图像分割（1）

图像分割是预测图像中每一个像素所属的类别或者物体。基于深度学习的图像分割算法主要分为两类：

00

分割算法——可以分割一切目标（各种分割总结）

周末应该是一个好好休息的时间，但是一定会有在默默努力科研的你，由于最近是开学季，很多关注的朋友一直会问“计算机视觉战队平台有基础性的内容吗？”，今天我和大家说一次，我们平台之前有推送很多基础的知识，有兴趣的或者是刚刚接触CV&DL的你，可以去历史消息阅读，在这也感谢所有一直关注和支持我们的您！

04

Object Detection R-CNN

3788字13图，预计阅读需要23分钟红色华诞68周年 National Day of the People's Republic of China 作者：张旭编辑：李文臣 R-CNN

神经网络似乎遵循一种令人费解的简单策略来对图像进行分类

在这篇文章中，我将展示为什么最先进的深度神经网络仍能很好地识别乱码图像，以及这有助于揭示DNN似乎用来对自然图像进行分类的令人费解的简单策略。这些发现发表在ICLR 2019，有许多分歧：首先，它们表明解决ImageNet比许多人想象的要简单得多。其次，这些发现使我们能够构建更具解释性和透明度的图像分类流水线。第三，他们解释了现代CNN中观察到的一些现象，例如他们对纹理的偏见（参见我们在ICLR 2019的另一篇论文和我们相应的博客文章）以及他们忽略了对象部分的空间排序。

04

目标检测和分类的域适配研究简述

1、Progressive Domain Adaptation for Object Detection 2020年

01

细粒度图像分类（FGVC）—综述

Awesome Fine-grained Visual Classification Awesome Fine-Grained Image Analysis – Papers, Codes and Datasets—-weixiushen

02

30篇亮点论文、5大主题带你一览ECCV 2020研究趋势

ECCV 2020已圆满落幕。会议收到了1360篇论文投稿，其中包含104篇Oral论文、160篇Spotlight论文和1096篇Poster论文。为了更好地了解ECCV 2020的会议内容，来自深度学习专业的博士生Yassine Ouali整理了论文投稿的数据，并从以下五大主题总结了一些取得突破性成就的论文，对其进行了简要概述：

04

简单到出人意料的CNN图像分类策略

在这篇文章中，作者展示了为什么最先进的深度神经网络仍能很好地识别乱码图像，探究其中原因有助于揭示DNN使用让人意想不到的简单策略，对自然图像进行分类。

02

全面！深度学习时间序列分类的综述！

时间序列分析中的时间序列分类（TSC）是关键任务之一，具有广泛的应用，如人体活动识别和系统监测等。近年来，深度学习在TSC领域逐渐受到关注，具有自动从原始时间序列数据中学习并抽取有意义特征的能力。

01

十大深度学习算法的原理解析

深度学习是机器学习的子集，它基于人工神经网络。学习过程之所以是深度性的，是因为人工神经网络的结构由多个输入、输出和隐藏层构成。每个层包含的单元可将输入数据转换为信息，供下一层用于特定的预测任务。得益于这种结构，机器可以通过自身的数据处理进行学习。

02

重温目标检测--YOLO v2 -- YOLO9000

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/zhangjunhit/article/details/82771742

02

卷积神经网络

在机器学习中，分类器将类别标签分配给数据点。例如，图像分类器针对图像中存在哪些对象产生类别标签（例如，鸟，飞机）。一个卷积神经网络，或CNN的简称，是一种类型的分类，在解决这个问题，其过人之处！

08

Nature子刊：用于阿尔茨海默病痴呆评估的多模态深度学习模型

在全球范围内，每年有近1000万新发痴呆病例，其中阿尔茨海默病（AD）最为常见。需要新的措施来改善对各种病因导致认知障碍的个体的诊断。作者报告了一个深度学习框架，该框架以连续方式完成多个诊断步骤，以识别具有正常认知（NC）、轻度认知障碍（MCI）、AD和非AD痴呆（nADD）的人。作者展示了一系列能够接受常规收集的临床信息的灵活组合的模型，包括人口统计、病史、神经心理学测试、神经影像学和功能评估。然后，作者表明这些框架与执业神经科医生和神经放射科医生的诊断准确性相比具有优势。最后，作者在计算机视觉中应用可解释性方法，以表明模型检测到的疾病特异性模式可以跟踪整个大脑的退行性变化的不同模式，并与尸检时神经病理学病变的存在密切相关。作者的工作证明了使用既定的医学诊断标准验证计算预测的方法。

03

Object Detection系列（一） R-CNN

本文介绍了R-CNN的目标检测算法，包括其背景、原理、优缺点以及改进。R-CNN在目标检测领域具有划时代的意义，但其训练和测试时间较长，且需要手动设计区域候选框。针对这些缺陷，后续算法进行了改进，使目标检测性能得到进一步提升。

06

深度学习目标检测(object detection)系列（一） R-CNN

版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/chaipp0607/article/details/78112861

03

用神经网络重新审视 VVC 的 SAO 环路滤器

Philippe 首先介绍道，在最近的视频编解码器中，环路后处理滤波已经成为一种至关重要的组件。它可以减少压缩伪影，并减少与原始样本的失真。AVC 首先引入了去块滤波器，之后 HEVC 额外引入了 Sample Adaptive Offset 后处理滤波器，以减少振铃效应和颜色偏差。最近发布的 VVC 标准设计了一种自适应的环路滤波器，使用基于维那滤波器的自适应滤波系数，来最小化重建像素和原始像素之间的 MSE。

02

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

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭