Публикации по теме convolutional-network

Публикации по теме 'convolutional-network'

Как преобразование Фурье ускоряет обучение CNN

Как практикующие глубокое обучение извлекают выгоду из открытия, сделанного 200 лет назад Введение Если вы изучали ряды Тейлора, вы понимаете, насколько полезно приближать сложную функцию конечным рядом более простых членов. Ряд Фурье - еще один пример разложения общей функции на суперпозицию синусоид (амплитуда / время → амплитуда / частота), что делает ее особенно подходящей для физических временных рядов, обработки сигналов и других данных о сигналах. Хотя изображения не совсем..

Передача стиля изображения с помощью сверточных нейронных сетей

Перенос стиля изображения - очень интересное и художественное приложение глубокого обучения, в котором вы можете переносить стиль одного изображения на другое. Стиль здесь проявляется в таких деталях, как мазки кисти, края, узоры и пятна и другие мелкие элементы. Так же, как у некоторых произведений искусства есть свой фирменный стиль, например, Крик Эдварда Мунка или Звездная ночь Винсента Ван Гога. С помощью Image Style Transfer мы можем получить забавные результаты, скрещивая..

От VGGNet к EfficientNet: ключевые вехи в эволюции дизайна CNN

Модульная, многолучевая, факторизованная, сжатая, масштабируемая… Все в CNN в настоящее время, но что привело нас сюда… Мы проведем вас через основные вехи в истории проектирования сверточных нейронных сетей… Вы не только узнаете, но и получите тоже весело 🤓 Вообще говоря, проблемы классификации составляют основу моделей компьютерного зрения, которые используются для решения более сложных задач зрения. Задача обнаружения объектов, например, включает обнаружение ограничивающих..

Введение в сверточные нейронные сети

Краткий обзор сверточной нейронной сети и ее основных компонентов. Сверточные сети (CovNets) — это нейронные сети, в основном используемые для классификации изображений. По сути, это несколько слоев, наложенных друг на друга в иерархическом порядке для наилучшего извлечения признаков и прогнозирования классов. Различные типы сверточных нейронных сетей (CNN) различаются по количеству слоев, а также по типу и требуют точной настройки параметров, которые наилучшим образом обеспечивают..

Преобразование речи в текст с использованием сверточных нейронных сетей

Новички в области глубокого обучения быстро узнают, что рекуррентные нейронные сети (RNN) предназначены для построения моделей для последовательных задач с данными (например, языкового перевода), тогда как сверточные нейронные сети (CNN) предназначены для задач, связанных с изображениями и видео. Это довольно хорошее правило большого пальца, но недавняя работа в Facebook показала отличные результаты для последовательных данных, просто используя CNN. В этой статье я описываю свою работу..

Как классифицировать изображение с помощью CNN?

Первоначально опубликовано на https://www.niit.com/india/ Сверточная нейронная сеть (CNN) является краеугольным камнем классификации изображений. По сути, получение изображения и присвоение ему класса и уникальной метки как явления глубокого обучения включено в CNN. Неотъемлемая часть экспериментов по машинному обучению формируется из-за классификации изображений с помощью CNN. От функции пометки изображений Facebook до рекомендаций по продуктам Amazon, от работы автоматических..

ЦИФРОВОЙ РАСПОЗНАВАТЕЛЬ

Проект MNIST в области компьютерного зрения включает в себя создание модели машинного обучения, которая может правильно идентифицировать рукописные цифры из набора данных из 60 000 обучающих изображений и 10 000 тестовых изображений. Цель проекта MNIST — создать высокопроизводительную CNN, которая сможет точно классифицировать рукописные цифры. Этот проект стал эталонным набором данных для тестирования производительности алгоритмов машинного обучения и моделей глубокого обучения. Он..