Публикации по теме 'convolution-neural-net'


А.И. и Скаковые лошади: Можете ли вы научить компьютер понимать, как выглядит «хорошее кардио» в…
За последние несколько месяцев я работал над несколькими проектами по науке о данных, в основном для улучшения текущих алгоритмов, которые мы используем для прогнозирования результатов для Performance Genetics и BreezeupIQ. Одним из наиболее интересных аспектов, который близок к завершению, надеюсь, в течение следующей недели, является подход, который, я считаю, является первым в мире, по крайней мере, с точки зрения лошадиной области. Когда я выполняю ультразвуковое исследование сердца..
Глубокое обучение, обобщенный способ, часть 2
В продолжение Части-1 я предлагаю вам больше концепций глубокого обучения в консолидированной форме. Пожалуйста, проверьте Введение и эта статья для вас? в первой части . Скорость обучения и планировщик Алгоритм оптимизации сообщает когда обновлять параметры модели. Скорость обучения показывает, сколько необходимо обновить параметры модели. Цель алгоритма оптимизации — снизить потери модели или достичь точки минимума (зеленая метка на первом изображении). Скорость обучения..
Разработка настраиваемой нейронной сети для обнаружения объектов
На основе различных современных архитектур обнаружения объектов Оглавление Мотивация Понимание дизайна YOLO Специальная модель: дизайн Тренировки и выступления Заключение и замечания "Использованная литература" 1.0: Мотивация Сверточные нейронные сети - это нейронные сети с разреженными связями, предназначенные для обработки структурированных данных. Первоначально концептуально разработанные в конце 1960-х годов, они были смоделированы по образцу зрительной..
Супер-разрешение с использованием автоэнкодеров и TF2.0
В этом посте я покажу, как создать сеть автокодировщика, которая может сверхразрешить изображение до 4x, а также способы увеличения его до 10x и, возможно, даже больше. Зачем использовать автоэнкодер? Есть много причин, по которым вы можете захотеть использовать этот тип сети, один из примеров - передача изображения в приложении чата. Приложения чата, такие как WhatsApp и Instagram, используют этот тип сжатия, хотя они более сложные и обучаемые в течение более длительного времени и с..
Общее исследование обнаружения звука (спектрограммы) в сверточных нейронных сетях
Введение Сверточные нейронные сети (CNN) широко используются для обнаружения объектов. От LeNet, разработанной Яном Лекуном в 1998 г., до VGG-16 (2014 г.) и You Only Look Once (YOLO), CNN способна обнаруживать объекты с относительно высокой точностью и применяется в таких приложениях, как автопилот, распознавание лиц. и т. д. Помимо обнаружения объектов, распознавание звука — это еще одна тема, которая интересует отрасли. Например, Amazon Alexa, Google Home, Apple Siri, Cortana —..
Обучение глубоких сверточных нейронных сетей (DCNN) с использованием архитектуры VGGNet
Введение Основным вкладом архитектуры VGGNet ( https://arxiv.org/pdf/1409.1556.pdf ) было создание модели машинного обучения с очень маленькими (3 x 3) свёрточными фильтрами, которые можно обучать до большей глубины ( 16–19 весовых слоев) и тем самым получить классификационную модель с очень высокой точностью. Архитектура VGGNet построена на двух ключевых компонентах: (1). Все сверточные слои в VGGNet используют очень маленькие сверточные фильтры размером 3 x 3. (2). Архитектура..
Мотивация перехода на сверточные нейронные сети.
Глубокое обучение Зачем переходить на сверточные нейронные сети? Сверточная нейронная система, иначе называемая CNN или ConvNet, представляет собой искусственную нейронную систему, которая до сих пор наиболее широко использовалась для разбивки изображений для предприятий компьютерного зрения. «Что бы вы ни изучали прямо сейчас, если вы не осваиваете глубокое обучение, нейронные сети и т. Д., Вы проигрываете. Мы проходим процесс, в котором программное обеспечение автоматизирует..