CNN
-
NeurIPS 2025 重磅揭曉：Qwen 拿下最佳論文，Faster R-CNN 十年后再獲最高榮譽
今日凌晨，世界頂級人工智能會議 NeurIPS 2025 公布了包括最佳論文獎（Best Paper）、最佳論文亞軍（Runner-up）、時間檢驗獎（Test of Time）、以及 Sejnows
NeurIPS 2025-12-01 -
使用 CNN 進行面部情緒識別
面部表情是人類之間交流的重要方式。 在人工智能研究中，深度學習技術已成為增強人機交互的強大工具。心理學中面部表情和情緒的分析和評估涉及評估預測個人或群體情緒的決定。 本研究旨在開發一種能夠使用卷積神經網絡（CNN）算法和特征提取技術預測和分類面部情緒的系統
-
使用數據增強從頭開始訓練卷積神經網絡（CNN）
介紹該文致力于處理神經網絡中的過度擬合。過度擬合將是你主要擔心的問題，因為你僅使用 2000 個數據樣本訓練模型。存在一些有助于克服過度擬合的方法，即 dropout 和權重衰減（L2 正則化）。我們將討論數據增強，這是計算機視覺獨有的，在使用深度學習模型解釋圖像時，數據增強在任何地方都會用到
-
構建自定義CNN模型：識別COVID-19
本文讓我們從頭開始，通過訓練和測試我們的自定義圖像數據集，來構建我們自己的自定義CNN（卷積神經網絡）模型。我們將使用驗證集方法來訓練模型，從而將我們的數據集劃分為訓練、驗證和測試數據集。在結束時，你
卷積神經網絡 2022-03-01 -
一文學會使用CNN進行人臉關鍵點識別
項目概況該項目的目標是預測面部圖片上關鍵點的位置。這可以用作各種應用程序中的組件,包括:圖片和視頻中的人臉識別。面部表情的研究。用于醫學診斷,識別畸形面部癥狀。識別面部關鍵點是一個很難解決的話題。人與人的面部特征差異很大
-
一文了解如何使用CNN進行圖像分類
介紹在計算機視覺中,我們有一個卷積神經網絡,它非常適用于計算機視覺任務,例如圖像分類、對象檢測、圖像分割等等。圖像分類是當今時代最需要的技術之一,它被用于醫療保健、商業等各個領域,因此,了解并制作最先進的計算機視覺模型是AI的一個必須的領域
-
一文教你使用CNN的貓狗分類 ?
使用CNN進行貓狗分類卷積神經網絡 (CNN) 是一種算法,將圖像作為輸入,然后為圖像的所有方面分配權重和偏差,從而區分彼此。神經網絡可以通過使用成批的圖像進行訓練,每個圖像都有一個標簽來識別圖像的真實性質(這里是貓或狗)
-
一文了解CNN可視化技術總結之卷積核可視化
導言: 上篇文章我們介紹了特征圖可視化方法,對于特征圖可視化的方法(或者說原理)比較容易理解,即把feature map從特征空間通過反卷積網絡映射回像素空間。 那卷積核怎樣可視化呢
-
一文了解CNN可視化技術總結之特征圖可視化
導言: 在CV很多方向所謂改進模型,改進網絡,都是在按照人的主觀思想在改進,常常在說CNN的本質是提取特征,但并不知道它提取了什么特征,哪些區域對于識別真正起作用,也不知道網絡是根據什么得出了分類結果
-
三個模型對CNN結構演變進行總結
導言: 自2012年AlexNet在ImageNet比賽上獲得冠軍,卷積神經網絡逐漸取代傳統算法成為了處理計算機視覺任務的核心。 在這幾年,研究人員從提升特征提取能力,改進回傳梯度更新效果
-
如何構建一個 CNN 模型，以從圖像中對幼苗的種類進行分類？
介紹本文將學習和構建一個 CNN 模型，以從圖像中對幼苗的種類進行分類。該數據集有12組圖像，我們的最終目的是從圖像中對植物物種進行分類。我們將執行多個步驟，例如導入庫和模塊、讀取圖像并調整它們的大小、圖像清理、圖像預處理、模型構建、模型訓練、減少過度擬合，最后對測試數據集進行預測
-
ECCV 2020附代碼論文合集(CNN,圖像分割）
AMnier 整理了計算機視覺相關熱門主題下的附帶代碼的精選論文，快來尋找自己感興趣的論文并親自在自己的機器上實現吧！
-
谷歌提出Context R-CNN, 利用時域上下文信息的增強目標檢測系統
由于靜態相機的拍攝場景固定，拍攝圖像中的背景異常重復，因此沒有足夠充分的數據多樣性，機器學習模型將傾向于學習背景，使其在新場景下缺乏足夠的泛化性。為了解決這一問題，來自谷歌的研究人員提出了一種基于時域上下文的互補方法Context R－CNN，提升了目標檢測模型在全新相機設置場景下的泛化性。
-
CVPR 2020: SGAS，一種基于貪心思想的CNN/GCN網絡結構搜索算法
本工作通過貪心（greedy）的搜索方式減輕了NAS中模型排名在搜索和最后評估不一致的問題。是一種更優更快的網絡結構搜索算法，并同時支持CNN和GCN的搜索。代碼已開源，想在圖像，點云，生物圖數據上做網絡結構搜索的同學都可以試一試。
-
EdgeBoard中CNN架構的剖析
人工智能領域邊緣側的應用場景多種多樣，在功能、性能、功耗、成本等方面存在差異化的需求，因此一款優秀的人工智能邊緣計算平臺，應當具備靈活快速適配全場景的能力，能夠在安防、醫療、教育、零售等多維度行業應用中實現快速部署
-
AI加速器實現了CNN處理速度和降低功耗
外媒稱，瑞薩（Renesas）開發了一種AI加速器，可以高速和低功率執行CNN（卷積神經網絡）處理。該聲明發布之際，瑞薩正在推動下一代瑞薩嵌入式人工智能（e－AI）的開發，旨在加快終端設備的智能增長。采用該加速器的瑞薩測試芯片實現了8．8 TOPS ／ W的功率效率，據稱這是業界最高級別的功率效率
-
人工智能之卷積神經網絡(CNN)
前言：人工智能機器學習有關算法內容，請參見公眾號“科技優化生活”之前相關文章。人工智能之機器學習主要有三大類：1）分類；2）回歸；3）聚類。今天我們重點探討一下卷積神經網絡（CNN）算法。
換一批
