CNN

• 自動駕駛感知系統(tǒng)中卷積神經網(wǎng)絡原理的疑點分析

  卷積神經網(wǎng)絡（Convolutional Neural Networks, CNN）的核心技術主要包括以下幾個方面：局部連接、權值共享、多卷積核以及池化。這些技術共同作用，使得CNN在圖像和語音識別等領域取得了顯著成就，并廣泛用于車輛自動駕駛的圖像目標識別中。

  智駕最前沿

  800

  04/07 11:25

  自動駕駛 卷積神經網(wǎng)絡

  
• 融合注意力機制的卷積神經網(wǎng)絡-雙向長短期記憶網(wǎng)絡(CNN-BiLSTM-Attention)的多變量

  CNN-BiLSTM-Attention模型是一種在自然語言處理(NLP)任務中常用的強大架構，如文本分類、情感分析等。它結合了卷積神經網(wǎng)絡(CNN)、雙向長短期記憶網(wǎng)絡(BiLSTM)和注意力機制的優(yōu)勢，能夠捕捉局部特征和序列數(shù)據(jù)中的長程依賴關系。

  算法小狂人

  2310

  03/25 12:25

  Python 卷積神經網(wǎng)絡

  
• CNN-SVM時間序列預測/詳細原理講解

  CNN-SVM（卷積神經網(wǎng)絡-支持向量機）是一種將卷積神經網(wǎng)絡（CNN）與支持向量機（SVM）組合起來的深度學習模型。CNN-SVM模型的目標是通過結合CNN的特征提取能力和SVM的分類能力來提升圖像分類、模式識別等任務的性能。以下詳細介紹這兩種模型各自的數(shù)學原理及其組合后的工作原理。

  算法小狂人

  732

  03/24 15:30

  卷積神經網(wǎng)絡 CNN

  
• 最簡單用TensorFlow實現(xiàn)CNN（cifar10數(shù)據(jù)集）

  CNN的本質是先把數(shù)據(jù)進行特征提取，再送進DNN。前面特征提取的部分可以概括為CBAPD，C表示卷積（convolution），B表示批標準化（batch normalization），A表示激活（activation），P表示池化（pool），D表示（dropout）

  全棧O-Jay

  1704

  2024/12/11

  CNN TensorFlow

  
• 借助支持邊緣 AI 的 MCU 優(yōu)化實時控制系統(tǒng)中的系統(tǒng)故障檢測

  當前關于人工智能 (AI) 和神經網(wǎng)絡的討論主要集中在生成應用（生成圖像、文本和視頻），很容易忽視 AI 將為工業(yè)和基礎設施應用中的電子產品帶來變革的實際示例。 不過，雖然在電機驅動器、太陽能（如圖 1 所示）和電池管理應用的實時控制系統(tǒng)中采用 AI 不會像新的大型語言模型那樣引起大量關注，但使用邊緣 AI 進行故障檢測可以顯著影響系統(tǒng)的效率、安全性和生產力。 圖 1 太陽能電池板陣列 本文中將討

  與非網(wǎng)編輯

  2478

  2024/11/28

  人工智能 MCU

  
• 通過軟件洞察和用例分析塑造的NPU IP架構

  Ido Gus,?深度學習高級團隊負責人,?傳感器與音頻業(yè)務部門, Ceva ? 神經處理單元（NPU）的出現(xiàn)徹底改變了機器學習領域，使深度學習任務所需的復雜數(shù)學計算得以高效地執(zhí)行。通過優(yōu)化矩陣乘法和卷積運算，NPU極大地增強了AI（人工智能）模型在各個領域的能力，從服務器群到電池驅動設備。 TinyML（微型機器學習）的出現(xiàn)進一步推動了AI的發(fā)展，其重點是在資源有限的嵌入式設備上實現(xiàn)機

  與非網(wǎng)編輯

  2071

  2024/07/15

  NPU mac

  
• 國方創(chuàng)新與燧原科技聯(lián)合發(fā)起“方原會”長三角人工智能生態(tài)聯(lián)盟

  近日，國方創(chuàng)新和燧原科技共同發(fā)起“方原會”長三角人工智能生態(tài)聯(lián)盟。在“智算產業(yè)的商業(yè)化落地之路”圓桌環(huán)節(jié)中，與會的嘉賓們進行了全方位的深入討論。 嘉賓們從多個維度探討了人工AIGC（人工智能生成內容）和智算中心的商業(yè)化發(fā)展方向，認為AIGC技術在內容創(chuàng)造和企業(yè)個性化服務等方面具有巨大的商業(yè)潛力，并指出了算力優(yōu)化適配和提升國產算力競爭力等挑戰(zhàn)。 在談論AIGC商業(yè)化落地時，澎峰科技COO王軍輝表示：

  深圳王哥

  1239

  2024/06/06

  人工智能 CNN

  
• 一文總結CNN中【各類卷積】操作

  本文詳細總結CNN中各類卷積，旨在指導 domain-specific 更好的模型設計，包括標準卷積，分組卷積（Group Conv），深度可分離卷積（Depthwise Separable Conv），轉置卷積（Transposed Conv），空洞卷積（Dilated Conv），可變形卷積（Deformable Conv），和 特征重標定技術（Squeeze-and-Excitation）。

  全棧O-Jay

  4342

  2024/05/06

  卷積神經網(wǎng)絡 CNN

  
• 一文總結經典卷積神經網(wǎng)絡CNN模型

  CNN（卷積神經網(wǎng)絡）更適合計算機視覺領域。下面總結從1998年至今的優(yōu)秀CNN模型，包括LeNet、AlexNet、ZFNet、VGG、GoogLeNet、ResNet、DenseNet、SENet、SqueezeNet、MobileNet。在了解巨佬們的智慧結晶，學習算法上的思路和技巧，便于我們自己構建模型，也便于我們做遷移學習。

  全棧O-Jay

  1.1萬

  2024/05/05

  卷積神經網(wǎng)絡 CNN

  
• 愛芯元智獲評人工智能大會“最具創(chuàng)新價值產品獎”并正式發(fā)布愛芯派Pro

  目前，愛芯元智已經量產了四代多顆應用于不同行業(yè)領域的視覺感知芯片，并堅持基于算法、芯片、產品的垂直整合，為合作伙伴提供全棧式解決方案，幫助客戶實現(xiàn)最新技術的快速落地。面向人工智能產業(yè)的高速發(fā)展，愛芯元智也將通過持續(xù)的技術創(chuàng)新，提高芯片性能、降低成本，讓邊端智能更加普惠，最終實現(xiàn)“普惠AI 造就美好生活”的使命。

  與非網(wǎng)編輯

  2299

  2023/08/25

  人工智能 NPU

  
• Fashion-MNIST驗證機識別率可達98%？

  看到一篇會議論文[1]，宣稱用lenet-5在fmnist上可以實現(xiàn)超過98%的識別率。當時看到就驚呆了！先介紹一下論文主體內容：第一部分引言強調了CNN在計算機視覺中有廣泛的應用，并引出了lenet5是一個重要的CNN模型，并分6個方面闡述Fashion-MNIST是一個復雜的數(shù)據(jù)集。

  森森Techdaily

  1397

  2023/05/08

  計算機視覺 CNN

  
• 卷積神經網(wǎng)絡簡介：什么是機器學習？——第一部分

  本文討論了CNN相對于經典線性規(guī)劃的優(yōu)勢，后續(xù)文章《訓練卷積神經網(wǎng)絡：什么是機器學習？——第二部分》將討論如何訓練CNN模型，系列文章的第三部分將討論一個特定用例，并使用專門的AI微控制器對模型進行測試。

  與非網(wǎng)編輯

  1691

  2023/04/17

  人工智能 神經網(wǎng)絡
• ?Transformer+CNN，引領新一代AI發(fā)展

  視覺應用作為人工智能最普及的基礎設施層，重要性卻不言而喻。它可以說是人工智能機器的‘眼睛’，賦予它感知的能力，使它能夠‘看懂’這個世界。而計算機視覺中的深度神經網(wǎng)絡（DNN）架構則是這雙眼睛的‘視網(wǎng)膜’，賦予了它可視的源泉。

  TechSugar

  2897

  2023/03/23

  卷積神經網(wǎng)絡 CNN
• 一文精簡介紹CNN神經網(wǎng)絡

  這是love1005lin在CSDN上2021-11-19發(fā)布的一篇深度學習的卷積神經網(wǎng)，內容整理的精簡，移動，現(xiàn)在將其進行轉載，供大家參考。

  卓晴

  1510

  2021/12/07

  神經網(wǎng)絡 卷積神經網(wǎng)絡
• 我用90年代的古董電腦訓練CNN

  在90年代的電腦上實現(xiàn)CNN是一種什么體驗？

  量子位

  157

  2021/02/20

  AI 電腦
• 高速全局快門圖像傳感器如何減輕基于AI的視覺系統(tǒng)的負擔

  視覺傳感器對于數(shù)據(jù)采集正變得越來越重要。最初的簡單圖像傳感器為攝影應用開發(fā)，如今的圖像傳感器用于向人工智能(AI)和機器學習系統(tǒng)提供高質量的輸入。這些系統(tǒng)已成為利用新的和創(chuàng)新的處理器架構的精密決策實體。

  安森美半導體

  154

  2020/11/24

  傳感器 AI
• 卷積神經網(wǎng)絡的優(yōu)缺點

  卷積神經網(wǎng)絡（Convolutional Neural Network，CNN）是一種深度學習算法，在計算機視覺和模式識別領域取得了巨大的成功。它通過多層卷積和池化操作來提取圖像特征，并通過全連接層進行分類或回歸。本文將探討卷積神經網(wǎng)絡的優(yōu)點和缺點，以及它在不同領域的應用。

  eefocus_3901714

  1.2萬

  2024/01/04

  深度學習 卷積神經網(wǎng)絡
• CNN神經網(wǎng)絡的優(yōu)缺點 CNN與NN的區(qū)別

  卷積神經網(wǎng)絡（Convolutional Neural Network，CNN）是一種在計算機視覺和圖像處理領域廣泛應用的深度學習模型。它的設計靈感來自于對生物視覺系統(tǒng)的研究，并通過多層卷積和池化操作實現(xiàn)對圖像特征的有效提取。本文將重點探討CNN神經網(wǎng)絡的優(yōu)缺點，并與傳統(tǒng)神經網(wǎng)絡（Neural Network，NN）進行比較。

  eefocus_3901714

  1.5萬

  2023/09/19

  卷積神經網(wǎng)絡 CNN

正在努力加載...