Публикации по теме 'convolutional-network'
Ядра с учетом местоположения для мозаичной обработки больших изображений с помощью сверточных нейронных сетей
Проект, над которым я работаю, посвящен извлечению текста из изображений с шумным фоном. После пары месяцев работы я нашел три идеи, которыми, как мне кажется, стоит поделиться: Ядра с расширенной мозаикой, учитывающие местоположение, позволяющие сети сохранять частичный вид всего изображения при обработке каждой плитки (это на мой взгляд, самая интересная часть) и случайное объединение .
Различные шрифты и контраст, неоднородное освещение, текстурированный фон и произвольное..
SSD Multibox на простом английском языке
С большим удовольствием я следил за fast.ai MOOC , чтобы познакомиться с глубоким обучением. Часть 1, которая фокусируется на том, чтобы быстро приступить к работе с передовыми методами, была довольно дикой, что побудило меня перейти к Части 2. Однако темп меняется с Частью 2, и это больше похоже на сделку типа Area51. Процитируем Portal 2: мы бросаем науку в стену здесь, чтобы увидеть, что прилипнет . Оказывается, есть вещи, которыми Кейв Джонсон мог бы гордиться, но кривая обучения..
Реализация Grad-CAM в PyTorch
Недавно я наткнулся на главу в книге Франсуа Шоле Глубокое обучение с помощью Python , в которой описывается реализация сопоставления активации классов для сети VGG16. Он реализовал алгоритм с помощью Кераса, поскольку он является создателем библиотеки. Следовательно, моим инстинктом было повторно реализовать алгоритм CAM с использованием PyTorch.
Grad-CAM
Сам алгоритм взят из этой бумаги. Это было отличным дополнением к инструментам анализа компьютерного зрения по одной..
Глубокая генеративная модель с иерархическими скрытыми факторами для обнаружения аномалий временных рядов
Аномалии широко распространены, когда дело доходит до работы с данными. Они становятся жизненно важными во временных рядах. Поэтому крайне важно предложить эффективные методы их обнаружения и борьбы с ними. Эта статья иллюстрирует современную модель DGHL для обнаружения аномалий. DGHL включает ConvNet в качестве генератора и вместо кодирования максимизирует вероятность с помощью алгоритмов чередующегося обратного распространения.
Как вы знаете, временные ряды есть везде, в любой..
Глубокое погружение в сверточные нейронные сети, часть 1:
Глубокое погружение в сверточные нейронные сети, часть 1:
Руководство для начинающих по слоям сверточной нейронной сети
Введение
Большинство моделей, используемых в современных задачах компьютерного зрения, таких как обнаружение объектов, генеративное компьютерное зрение, распознавание объектов и т. д., имеют свою базовую архитектуру в сверточных нейронных сетях (CNN).
Сверточная нейронная сеть — это глубокая нейронная сеть, используемая в компьютерном зрении для извлечения..
Соответствие шаблону
9 из 9 за Введение в обработку изображений
Соответствие шаблону
Как мы находим объекты из шаблонов?
В заключительной записи курса Введение в обработку изображений мы рассмотрим сопоставление шаблонов и покажем его в действии. Это надежный метод, используемый для обнаружения изображений, распознавания и отслеживания объектов. Суть сопоставления с шаблоном заключается в поиске эталонного изображения, известного как изображение-шаблон , в более крупном изображении, называемом..
Как работают сверточные нейронные сети?
Я собираюсь объяснить, как работают сверточные нейронные сети (CNN). CNN обычно используются при работе с данными изображения. Это означает, что когда вы загружаете фотографию на Facebook, если он просит вас отметить вашего друга, это означает, что CNN работает в фоновом режиме. CNN использует особенности определенного объекта, чтобы распознавать их на изображениях. На самом деле этот процесс осуществляется нашим мозгом бессознательно. Когда мы смотрим на автомобиль, мы определяем..
