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

如何可视化从ResNet50中提取的特征

从ResNet50中提取特征的可视化可以通过多种方法实现。以下是一种常用的方法：

特征可视化概念：特征可视化是指将深度学习模型中的中间层特征可视化为图像或其他形式，以便更好地理解模型的学习过程和特征提取能力。
分类任务中的特征可视化：在分类任务中，可以通过可视化ResNet50模型中的卷积层特征图来观察模型对不同类别的响应模式。这可以帮助我们理解模型是如何学习到不同类别的特征表示的。
Grad-CAM可视化方法：Grad-CAM（Gradient-weighted Class Activation Mapping）是一种常用的特征可视化方法。它通过计算目标类别对于特征图的梯度权重，将这些权重与特征图相乘得到类别激活图。这样可以可视化出模型在不同位置对于目标类别的关注程度。
可视化工具和库：有许多开源工具和库可以用于特征可视化，如Matplotlib、OpenCV、TensorBoard等。这些工具可以帮助我们将特征图可视化为图像，并进行进一步的分析和解释。
应用场景：特征可视化在计算机视觉领域有广泛的应用。例如，可以通过可视化ResNet50模型中的特征图来理解模型在图像分类、目标检测、图像分割等任务中的表现和决策过程。
腾讯云相关产品和产品介绍链接地址：腾讯云提供了一系列与云计算和人工智能相关的产品和服务，如云服务器、人工智能平台、图像识别等。具体关于特征可视化的产品和服务，可以参考腾讯云的官方文档和产品介绍页面，链接地址为：https://cloud.tencent.com/product/ai

相关搜索:如何从特征提取中找出匹配的数量？机器学习-如何从管道中提取特征如何从连体网络的卷积层中提取特征？如何通过标签从genbank文件中提取特征？如何从Swift中的BLE外设特征写回调中提取数据？如何提取具有特定特征的案例从LSTM到Sklearn模型的特征提取从数组中提取ID特征后，如何增加ID 特征-从特征中获取实现的类如何将BorutaPy(用python实现的Boruta算法)提取的特征结果可视化？如何从pytorch中的fc7中提取numpy数组的AlexNet特征？理解图像处理中的特征提取和特征向量？如何从蓝牙中读取特征？获取csv中的特征提取结果如何从预训练的ResNet模型Keras的图层中提取特征从决策树中提取使用的列名/特征如何在r中通过CATScore提取顶级特征？如何使用Gabor滤波器从图像中提取特征？从存储在PostgreSQL数据库中的数据中提取特征机器学习中特征子集的CV结果提取

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

讲解pytorch可视化 resnet50特征图

在计算机视觉任务中，ResNet50是一个非常流行和强大的预训练模型。不仅可以用它来进行图像分类，还可以使用它来提取图像特征。在这篇博客文章中，我们将讨论如何使用PyTorch对ResNet50的特征图进行可视化。首先，我们需要安装PyTorch和其他必要的库。在终端中运行以下命令：

02

使用机器学习创建自己的Emojis 表情

来源：Deephub Imba 本文约2500字，建议阅读10分钟本文中为你详细介绍两种创建嵌入提取器的方法。对于图像生成方向目前通常使用的方法是生成对抗网络或扩散模型。尽管这两种方法有的不同的特点，但是他们的一个共同点是模型训练对机器资源的要求很高，如果我们要以一种全新的风格创建一个图像，模型将需要从头开始训练，这可能需要更多的时间和资源，例如比较熟悉的StyleGan[3]是在拥有8个Tesla V100 gpu的NVIDIA DGX-1上训练了大约一周的时间。但是，如果我们没有这样的硬件资源

03

使用机器学习创建自己的Emojis 表情

对于图像生成方向目前通常使用的方法是生成对抗网络或扩散模型。尽管这两种方法有的不同的特点，但是他们的一个共同点是模型训练对机器资源的要求很高，如果我们要以一种全新的风格创建一个图像，模型将需要从头开始训练，这可能需要更多的时间和资源，例如比较熟悉的StyleGan[3]是在拥有8个Tesla V100 gpu的NVIDIA DGX-1上训练了大约一周的时间。

02

卷积神经网络之ResNet50迁移学习

下载狗与狼分类数据集，数据来自ImageNet，每个分类有大约120张训练图像与30张验证图像。使用download接口下载数据集，并自动解压到当前目录。

01

【2023年最新】提高分类模型指标的六大方案详解

数据增强是指在原始数据集的基础上生成新的、具有多样性的数据集，以扩充数据集的规模并增加数据集的多样性。这可以帮助模型更好地学习不同场景下的特征，并提高其泛化能力。例如，在图像分类任务中，可以对图像进行旋转、平移、缩放、翻转等操作来生成新的图像。

01

李飞飞CS231n项目：这两位工程师想用神经网络帮你还原买家秀

每当某个明星或者时尚博主在微博或者朋友圈po出一张图，这就是一次低成本的营销机会。随着网购与照片分享变得越来越流行，利用用户原创内容（UGC, User Generated Content）的市场营销策略已成为驱动流量与零售额增长的关键。通俗点说，一张漂亮的“买家秀”可能抵得过一票销售辛苦的游说。

00

【他山之石】SAM再进化｜伦敦大学开源 Surgical-DeSAM，无需人工即可完成手术自动化

目的：近期提出的Segment Anything Model（SAM）已经在各种应用中通过点、文本或边界框提示展示了令人印象深刻的性能。

00

Google新作 | 详细解读 Transformer那些有趣的特性（建议全文背诵）

近期Vision Transformer（ViT）在各个垂直任务上均表现出非常不错的性能。这些模型基于multi-head自注意力机制，该机制可以灵活地处理一系列图像patches以对上下文cues进行编码。

05

零基础快速搭建一个图像检索系统

随着计算机视觉领域的发展，图像识别已经被广泛应用在各个领域，比如在疫情期间各个住宅、办公场所出入口位置广泛使用的人脸识别系统等等。

02

计算机视觉之ResNet50图像分类

图像分类是计算机视觉应用中最基础的一种，属于有监督学习类别。它的任务是给定一张图像，判断图像所属的类别，比如猫、狗、飞机、汽车等等。本章将介绍使用ResNet50网络对CIFAR-10数据集进行分类。

01

ZeroQ：基于Data-Free的30秒快速量化方法

量化是减少神经网络推理时间和减少内存占用的一种有前途的方法。但是，大多数现有的量化方法都需要访问原始训练数据集以在量化期间进行再训练。例如，由于隐私和安全性考虑，对于具有敏感或专有数据的应用程序通常是不可能的。现有的zero-shot量化方法使用不同的启发式方法来解决此问题，但是它们导致性能不佳，尤其是在量化到超低精度时。在这里，我们提出ZeroQ，这是一种新颖的zero-shot量化框架，可以解决这一问题。ZeroQ允许混合精度量化，而无需访问训练或验证数据。这是通过优化“蒸馏数据集”来实现的，该数据集经设计可匹配网络不同层上的批标准化的统计数据。ZeroQ支持统一和混合精度量化。对于后者，我们引入了一种新颖的基于Pareto边界的方法，可以自动确定所有图层的混合精度位设置，而无需进行手动搜索。我们在各种模型上广泛测试了我们提出的方法，包括ImageNet上的ResNet18/50/152，MobileNetV2，ShuffleNet，SqueezeNext和InceptionV3，以及Microsoft COCO数据集上的RetinaNet-ResNet50。特别是，我们证明，与最近提出的DFQ方法相比，ZeroQ在MobileNetV2上可以实现1.71％的量化精度提高。重要的是，ZeroQ的计算开销非常低，它可以在不到30秒的时间内完成整个量化过程（ImageNet上ResNet50的一个epoch训练时间的0.5％）。

03

类别激活热力图可视化工具介绍

一直以来，深度神经网络的可解释性都被大家诟病，训练一个神经网络被调侃为“炼丹”。所得的模型也像一个“黑盒”一样，给它一个输入，然后得到结果，却不知道模型是如何得出结论的，究竟学习到了什么知识。如果能将其训练或者推理过程可视化，那么可以对其更加深入的理解，目前深度神经网络可视化可以分为：

02

注意力机制又一大作！DCANet：学习卷积神经网络的连接注意力

【导读】今天给大家分享一篇关于注意力机制方面的优秀论文，该论文提出了深度连接注意力网络(DCANet)，这是一种新颖的设计，在不改变CNN模型内部结构的情况下可以大幅提升注意力模块的性能。这个工作也证明了注意力单元之间不同的连接方式和注意力模块间信息交流的重要性。

02

代码实践 | AdderNet（加法网络）迁移到检测网络（代码分享）

记得前段时间“计算机视觉研究院”推送了一篇关于CVPR2020最佳分类的文献（链接：CVPR2020最佳目标检测 | AdderNet（加法网络）含论文及源码链接），其中有同学问可以把这个新的分类框架嫁接到检测网络，会有提升吗？今天就通过实验来告诉大家会有怎样的提升？

02

异常检测 DDAD

DDAD 是 2024 年以前 MVTec AD 数据集上性能最好的异常检测模型，本文解读相关论文并对源码进行解读

01

深度学习中的类别激活热图可视化

类别激活图(CAM)是一种用于计算机视觉分类任务的强大技术。它允许研究人员检查被分类的图像，并了解图像的哪些部分/像素对模型的最终输出有更大的贡献。

01

关注数据而不是模型：我是如何赢得吴恩达首届 Data-centric AI 竞赛的

如何凭借“数据增强”技术获得吴恩达首届 Data-centric AI 竞赛的最佳创新奖？

04

基于python+ResNet50算法实现一个图像识别系统

在本文中将介绍使用Python语言，基于TensorFlow搭建ResNet50卷积神经网络对四种动物图像数据集进行训练，观察其模型训练效果。

02

代码实践 | CVPR2020——AdderNet（加法网络）迁移到检测网络（代码分享）

记得前段时间“计算机视觉研究院”推送了一篇关于CVPR2020最佳分类的文献（链接：CVPR2020最佳目标检测 | AdderNet（加法网络）含论文及源码链接），其中有同学问可以把这个新的分类框架嫁接到检测网络，会有提升吗？今天就通过实验来告诉大家会有怎样的提升？

01

我是如何赢得吴恩达首届 Data-centric AI 竞赛的？

吴恩达（英文名 Andrew Ng，是人工智能和机器学习领域国际上最权威的学者之一）在今年 6 月的时候宣布首届以数据为中心的人工智能（Data-centric AI）竞赛即将开赛，参赛“作品”的提交日期截止到9月初。10月初，吴恩达在其个人社交平台Twitter上向我们宣布了此次竞赛的获奖者，随后，也在其个人微信公众号上向我们简要介绍了竞赛的参与情况。

01

深度学习应用篇-计算机视觉-图像增广1：数据增广、图像混叠、图像剪裁类变化类等详解

在图像分类任务中，图像数据的增广是一种常用的正则化方法，主要用于增加训练数据集，让数据集尽可能的多样化，使得训练的模型具有更强的泛化能力，常用于数据量不足或者模型参数较多的场景。除了 ImageNet 分类任务标准数据增广方法外，还有8种数据增广方式非常常用，这里对其进行简单的介绍和对比，大家也可以将这些增广方法应用到自己的任务中，以获得模型精度的提升。这8种数据增广方式在ImageNet上的精度指标如图1 所示。

00

教程 | 先理解Mask R-CNN的工作原理，然后构建颜色填充器应用

选自matterport 作者：Waleed Abdulla 机器之心编译参与：刘晓坤上年 11 月，matterport 开源了 Mask R-CNN 实现，它在 GitHub 已 fork1400 次，被用于很多项目，同时也获得了完善。作者将在本文中解释 Mask R-CNN 的工作原理，并介绍了颜色填充器的应用案例和实现过程。代码（包括作者构建的数据集和已训练的模型）：https://github.com/matterport/Mask_RCNN/tree/master/samples/ball

05

教程 | 先理解Mask R-CNN的工作原理，然后构建颜色填充器应用

选自matterport 作者：Waleed Abdulla 机器之心编译参与：刘晓坤上年 11 月，matterport 开源了 Mask R-CNN 实现，它在 GitHub 已 fork1400 次，被用于很多项目，同时也获得了完善。作者将在本文中解释 Mask R-CNN 的工作原理，并介绍了颜色填充器的应用案例和实现过程。代码（包括作者构建的数据集和已训练的模型）：https://github.com/matterport/Mask_RCNN/tree/master/samples/bal

05

AI Studio精选项目 | 儿童X光胸部肺炎诊断，用飞桨四步搞定

还在愁如何入手二分类项目？今天小编给大家介绍一篇AI Studio的精品医疗行业二分类项目，只需4步即可达成，准确度达到95.5％以上。

01

带你少走弯路：强烈推荐的Keras快速入门资料和翻译（可下载）

上次写了TensorFlow和PyTorch的快速入门资料，受到很多好评，读者强烈建议我再出一个keras的快速入门路线，经过翻译和搜索网上资源，我推荐4份入门资料，希望对大家有所帮助。

02

基于深度学习的车辆检测系统（MATLAB代码，含GUI界面）

摘要：当前深度学习在目标检测领域的影响日益显著，本文主要基于深度学习的目标检测算法实现车辆检测，为大家介绍如何利用 M A T L A B \color{#4285f4}{M}\color{#ea4335}{A}\color{#fbbc05}{T}\color{#4285f4}{L}\color{#34a853}{A}\color{#ea4335}{B} MATLAB设计一个车辆检测系统的软件，通过自行搭建YOLO网络并利用自定义的数据集进行训练、验证模型，最终实现系统可选取图片或视频进行检测、标注，以及结果的实时显示和保存。其中，GUI界面利用最新的MATLAB APP设计工具开发设计完成，算法部分选择时下实用的YOLO v2/v3网络，通过BDD100K数据集进行训练、测试检测器效果。本文提供项目所有涉及到的程序代码、数据集等文件，完整资源文件请转至文末的下载链接，本博文目录如下：

01

基于Pytorch构建Faster-RCNN网络进行目标检测（一）

尽管R-CNN是物体检测的鼻祖，但其实最成熟投入使用的是faster-RCNN，而且在pytorch的torchvision内置了faster-RCNN模型，当然还内置了mask-RCNN，ssd等。既然已经内置了模型，而且考虑到代码的复杂度，我们也无需再重复制造轮子，但对模型本身还是需要了解一下其原理和过程。

02

用Transformer振兴CNN骨干网络，港大、腾讯等联合提出视觉自监督表征学习CARE

自监督表征学习近两年十分火热。机器学习界的三位泰斗 Geoffroy Hinton、 Yann Lecun 、 Yoshua Bengio 一致认为自监督学习有望使 AI 产生类人的推理能力，其中 Hinton 与 Lecun 近两年也在 ICML / NeurIPS 中发表自监督表征学习的研究工作。

04

飞桨Tracking目标跟踪库开源！涵盖业界主流的VOT算法，精准检测动态目标轨迹

从短视频中可以发现，视频中的目标是运动的，且不断变化。对于物体遮挡、形变、背景杂斑、尺度变换、快速运动等场景，如何又快又准确的预测结果？

02

HAWQ：基于 Hessian 的混合精度神经网络量化

在许多应用程序中部署神经网络时，模型大小和推理速度/功率已成为主要挑战。解决这些问题的一种有前途的方法是量化。但是，将模型统一量化为超低精度会导致精度显着下降。一种新颖的解决方案是使用混合精度量化，因为与其他层相比，网络的某些部分可能允许较低的精度。但是，没有系统的方法来确定不同层的精度。对于深度网络，蛮力方法不可行，因为混合精度的搜索空间在层数上是指数级的。另一个挑战是在将模型量化到目标精度时用于确定逐块微调顺序复杂度是阶乘级别的。本文介绍了 Hessian AWare 量化（HAWQ），这是一种解决这些问题的新颖的二阶量化方法。HAWQ 根据Block块的 Hessian 最大特征值选择各层的相对量化精度。而且，HAWQ基于二阶信息为量化层提供了确定性的微调顺序。本文使用 ResNet20 在 Cifar-10 上以及用Inception-V3，ResNet50 和 SqueezeNext 模型在 ImageNet 上验证了方法的结果。将HAWQ 与最新技术进行比较表明，与 DNAS 相比，本文在 ResNet20 上使用 8 倍的激活压缩率可以达到相似/更好的精度，并且与最近提出的RVQuant和HAQ的方法相比，在ResNet50 和 Inception-V3 模型上，当缩小 14％模型大小的情况下可以将精度提高 1％。此外，本文证明了可以将 SqueezeNext 量化为仅 1MB 的模型大小，同时在 ImageNet 上实现 Top-1 精度超过 68％。

02

基于一致性的半监督语义分割方法：刷新多项SOTA，还有更好泛化性

机器之心专栏机器之心编辑部在本工作中，来自阿德莱德大学、乌鲁姆大学的研究者针对当前一致性学习出现的三个问题做了针对性的处理, 使得经典的 teacher-student 架构 (A.K.A Mean-Teacher) 在半监督图像切割任务上得到了显著的提升。该研究已被计算机视觉顶会 CVPR 2022 大会接收，论文标题为《Perturbed and Strict Mean Teachers for Semi-supervised Semantic Segmentation》：文章地址：https

02

重新思考扩张卷积！中科院&深睿提出新型上采样模块JPU

语义分割是计算机视觉领域的基础任务之一，其目的是为图像的每个像素分配语义标签。现代方法通常采用全卷积网络（FCN）来解决这一任务，并在多个分割基准上获得巨大成功。

04

基于一致性的半监督语义分割方法：刷新多项SOTA，还有更好泛化性

点击上方↑↑↑“OpenCV学堂”关注我来源：公众号机器之心授权在本工作中，来自阿德莱德大学、乌鲁姆大学的研究者针对当前一致性学习出现的三个问题做了针对性的处理, 使得经典的 teacher-student 架构 (A.K.A Mean-Teacher) 在半监督图像切割任务上得到了显著的提升。该研究已被计算机视觉顶会 CVPR 2022 大会接收，论文标题为《Perturbed and Strict Mean Teachers for Semi-supervised Semantic Segmen

02

花朵识别系统python+TensorFlow+Django网页界面+卷积网络算法【完整代码】

花朵识别系统，基于Python实现，深度学习卷积神经网络，通过TensorFlow搭建卷积神经网络算法模型，并对数据集进行训练最后得到训练好的模型文件，并基于Django搭建可视化操作平台。

03

英特尔提出新型卷积 | 让ResNet/MobileNet/ConvNeXt等Backbone一起涨点

本文首发于【集智书童】，白名单账号转载请自觉植入本公众号名片并注明来源，非白名单账号请先申请权限，违者必究。

03

基于深度学习的图像语义分割（Deep Learning-based Image Semantic Segmentation）

深度学习在计算机视觉领域取得了巨大的突破，其中之一就是图像语义分割（Image Semantic Segmentation）技术。图像语义分割是指将图像中的每个像素分配到其对应的语义类别中，从而实现对图像的细粒度理解和分析。本文将介绍基于深度学习的图像语义分割算法以及其在实际应用中的意义和挑战。

04

深层卷积神经网络在路面分类中的应用

编者按：路面峰值附着系数是实现车辆精确运动控制的关键参数。现有的路面识别方法多是基于车辆动力学构建状态观测器实现。此类方法通常适用于车辆加速和减速期间，在轮胎力饱和的情况下，例如在强制动条件下，确定摩擦系数是可行的。困难在于在更正常的驾驶环境下获得摩擦估计，也就是当轮胎滑移率较小时的估计（路面附着利用较低）。实际的道路环境往往复杂多变，而此类方法的收敛速度往往不足以实现实时估计的要求。因此，如何实现高精度实时的路面识别方法将会是此类方法研究的难点与重点。与此同时，基于机器视觉的路面识别方法的优势在于探测范围广、预测性强，但是易受环境中的光线等因素干扰，未来此类方法的研究重点会放在抗干扰能力和对图像识别准确率上。而基于车辆动力学的识别方法与基于图像的识别方法的有效结合，可以充分解决实时性与准确性冲突的问题，基于图像的识别方法为基于车辆动力学的识别方法提供预测的参考输入，可以提前获悉前方路面的特征，使得智能驾驶系统的性能得到提升。

02

PyTorch 实现 GradCAM

Grad-CAM 概述：给定图像和感兴趣的类别作为输入，我们通过模型的 CNN 部分前向传播图像，然后通过特定于任务的计算获得该类别的原始分数。除了期望的类别（虎），所有类别的梯度都设置为零，该类别设置为 1。然后将该信号反向传播到卷积特征图，我们将其结合起来计算粗略的 Grad-CAM 定位（蓝色热图）它表示模型在做出特定决策时必须查看的位置。最后，我们将热图与反向传播逐点相乘，以获得高分辨率和特定于概念的引导式 Grad-CAM 可视化。

01

如何使用 PyTorch Hook

Hook 实际上在软件工程中相当常见，并不是 PyTorch 所独有的。一般来说，“hook”是在特定事件之后自动执行的函数。在现实世界中，你可能遇到过的一些 hook 的例子:

04

阿里达摩院将Transformer应用于目标重识别，效果显著（附源代码）

论文地址：https://arxiv.org/pdf/2102.04378.pdf

02

Milvus 与 ONNX 格式的多种模型结合应用

开放神经网络交换（Open Neural Network Exchange，简称 ONNX）是一个开放的生态系统，它提供了基于人工智能模型的一种开源格式。自 2017 年开源以来，ONNX 在短短几年时间内发展为表示人工智能模型的实际标准，提供了一个统一的交互格式，用于优化深度学习和传统的机器学习。ONNX 定义了一组与环境和平台无关的标准格式，实现不同框架之间的互操作性，并简化从研究到生产的路径，有助于提高人工智能社区的创新速度。

02

Mamba入局遥感图像分割 | Samba: 首个基于SSM的遥感高分图像语义分割框架

本文将为大家介绍来自西交利浦大学、澳大利亚科学与工业研究院矿物研究所以及利物浦大学联合提出的最新工作Samba，这是一种基于状态空间模型的遥感图像语义分割方法。该工作提出了高分辨率遥感图像的语义分割框架 Samba，性能指标均超越了CNN-based和ViT-based方法，证明了Mamba在遥感高分图像中作为新一代backbone的潜力，为遥感语义分割任务提供了 mamba-based 方法的表现基准。值得一提的是，Samba是第一个将状态空间模型（SSM）运用到遥感图像语义分割任务中的工作，代码已开源，欢迎关注。

01

CV圈杀疯了！继谷歌之后，清华、牛津等学者又发表三篇MLP相关论文，LeCun也在发声

5月4日，谷歌团队在arXiv上提交了一篇论文《MLP-Mixer: An all-MLP Architecture for Vision》，引起了广大计算机视觉的研究人员的热烈讨论。

03

图像分类技术报告

图像分类问题是计算机视觉领域的基础问题，它的目的是根据图像的语义信息将不同类别图像区分开来，实现最小的分类误差。具体任务要求是从给定的分类集合中给图像分配一个标签的任务。总体来说，对于单标签的图像分类问题，它可以分为跨物种语义级别的图像分类，子类细粒度图像分类，以及实例级图像分类三大类别。因为VOC数据集是不同物种类别的数据集，所以本文主要研究讨论跨物种语义级别的图像分类任务。

00

CVPR2021 | 重新思考BiSeNet让语义分割模型速度起飞（文末获取论文）

BiSeNet已被证明在实时分割two-stream网络中是有效的。但是，其添加额外path以对空间信息进行编码的原理很耗时，并且由于缺少任务专用设计，因此从预训练任务（例如图像分类）中借用的主干可能无法有效地进行图像分割。

04

看照片挑民宿：Airbnb如何重新训练ResNet50，实现房间图片分类优化

大数据文摘出品编译：傅一洋、VVN、笪洁琼、钱天培走进Aribnb位于旧金山总部的办公楼，你会看到一个个装修各异的会议室。这些会议室正是Airbnb形形色色民宿的缩影。 Airbnb为数百万的民宿提供了一个平台，也因此囊获了一大批民俗房间细节照片和用户数据。坐拥百万级别的用户数据，Airbnb的数据团队可谓将数据的价值发挥地淋漓尽致。传统的推荐系统、广告系统自是不用说，深度学习的应用更是让Airbnb的数据有了前所未有的价值。今天，文摘菌就要分享一篇来自Airbnb数据团队的课题小报告。让我们一起来

02

猫狗大战识别准确率直冲 Kaggle Top 2%，手把手教你在 Keras 搭建深度 CNN

猫狗大战数据集来自 kaggle 上的一个竞赛：Dogs vs. Cats，训练集有25000张，猫狗各占一半。测试集12500张，没有标定是猫还是狗。下面是训练集的一部分例子：数据预处理

07

卷积神经网络超详细介绍

上世纪60年代，Hubel等人通过对猫视觉皮层细胞的研究，提出了感受野这个概念，到80年代，Fukushima在感受野概念的基础之上提出了神经认知机的概念，可以看作是卷积神经网络的第一个实现网络，神经认知机将一个视觉模式分解成许多子模式（特征），然后进入分层递阶式相连的特征平面进行处理，它试图将视觉系统模型化，使其能够在即使物体有位移或轻微变形的时候，也能完成识别。

03

极简主义︱利用apple机器学习平台Turicreate实现图像相似性检索（二）

利用 apple 开源机器学习框架 Turicreate，实现基于 ResNet-50 提取图像特征，并利用相似度度量进行图像检索。该框架具有友好的图形界面和可扩展性，可广泛应用于图像检索和相似度计算任务。

08

建议背诵 | 字节用4大准则教你设计一个拥有CNN的速度，Transformer精度的模型！

最近，Vision Transformer在图像分类、语义分割和目标检测等各种计算机视觉任务中取得了显著的成功，并取得了明显优于CNN的性能提升。然而，从真实场景的角度来看，CNN仍然主导着视觉架构部署。

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