实践篇：项目案例-基于VGGNet的迁移学习实现餐具数据集上的图像分类

bai666ai 2023-01-13 00:36:35

课时名称	课时知识点
实践篇：项目案例-基于VGGNet的迁移学习实现餐具数据集上的图像分类	学习项目案例-基于VGGNet的迁移学习实现餐具数据集上的图像分类

...全文

452 2 打赏收藏转发到动态举报

写回复

2 条回复

切换为时间正序

请发表友善的回复…

发表回复

weixin_41954084 2021-08-03

打赏
举报

回复

目标检测_任务、数据集和性能指标重复，是不是数据集就没讲了啊？

bai666ai 2021-08-03

举报

回复

@weixin_41954084 <p>你是说视频有重复吗？这两节没有重复啊，你的问题具体是什么？</p>

基于深度学习的计算机视觉：原理与实践（上部）大学教授，美国归国博士、博士生...

深度学习作为人工智能的核心分支，通过多层非线性变换实现对数据的层次化表征。在图像分类任务中，卷积神经网络（CNN）凭借局部感受野、权值共享和池化降维等机制，显著提升了特征提取能力。相较于传统手工特征（如SIFT、HOG），CNN支持端到端训练，直接从原始像素学习判别性特征，大幅降低人工设计成本。以ResNet为代表的深层网络通过引入残差连接，解决了网络退化问题，使模型深度突破百层仍可有效训练，为复杂场景下的高精度分类提供了基础支撑。在 PyTorch 中，所有的神经网络模型都应继承自类。

特征可视化分析（下图）清晰地表明，相比于传统对比学习，USDRL所学习到的特征在类别间具有更好的可分性，形成了清晰的簇状结构，证明了特征去相关范式的优越性。USDRL旨在成为该领域的一个基础模型，它不仅在传统的粗粒度预测任务（如动作识别）上表现出色，更在被以往工作所忽视的密集预测任务（如动作检测、分割和预测）上取得了显著成果。MG-FD是USDRL自监督学习的核心。总而言之，这项工作不仅在技术上取得了突破，更重要的是为基于骨架的人体动作理解研究描绘了新的蓝图，指明了构建通用基础模型这一未来方向。

ann(人工神经网络)是深度学习的核心，是机器学习技术的高级版本。人工神经网络具有通用性、适应性和可扩展性，使其适合处理大型数据集和高度复杂的机器学习任务，如图像分类(如谷歌图像)、语音识别(如苹果的 Siri)、视频推荐(如 YouTube)或分析客户情绪(如 Twitter 情绪分析器)。神经生理学家沃伦·麦卡洛克和数学家沃尔特·皮茨在 1943 年首次介绍了人工神经网络。然而，安有它的起伏。

目标检测技术可以处理图像或视频，从图像或视频中准确地识别物体并确定其位置和类别。目标检测的任务是定位和分类。定位通常生成边界框来标记物体在图像中的位置，边界框通常由四个坐标值确定：左上角点横坐标x、左上角点纵坐标y、框的宽度w和高度h，有的网络也会回归中心点坐标，通过这些坐标值确定检测图像中物体位置。

白老师的课程社区_NO_1

4

社区成员

331

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章