cnn标签_AtomGit开源社区

cnn

Week 4：卷积神经网络基础

本周系统完成了卷积神经网络的基础理论学习，全面掌握了CNN的核心原理与运行机制。卷积神经网络依靠局部连接、参数共享、层级化特征提取三大核心优势，解决了传统全连接网络处理图像数据的弊端，实现了视觉特征的高效提取与表征。其中卷积层负责挖掘图像局部细节特征，池化层完成特征压缩与降噪筛选，多卷积核与深层堆叠结构则支撑模型完成从基础视觉元素到高级语义信息的逐层抽象。通过对卷积运算、填充步长、池化机制、多通道

 2501_92592797
2026-06-14 21:37:10

 358

 2

#cnn #人工智能 #神经网络
Week 4：卷积神经网络基础

本周主要学习 Convolutional Neural Networks（卷积神经网络，CNN）的基础原理与典型结构。卷积神经网络是深度学习中处理图像任务最经典的模型之一，它通过局部感受野、参数共享和分层特征提取机制，更高效地处理具有空间结构的数据。学习内容包括卷积运算的基本思想、Padding（填充）与 Stride（步长）对输出结果的影响、Pooling（池化）在降维和保留关键特征中的作用、多

 CN_lyl
2026-06-13 17:00:32

 323

 7

#cnn #人工智能 #神经网络
基于 PyTorch 的食物图像分类CNN 训练全流程

本文详细介绍了基于PyTorch实现20类食物图像分类的完整流程。首先通过自动生成标签文件建立图片路径与分类标签的映射关系；接着自定义Dataset类实现数据读取与预处理；然后搭建包含三组卷积块的CNN网络结构；最后完成模型训练与评估。项目采用标准工业流程，涵盖数据准备、模型构建、训练优化等关键环节，并提供了Windows环境下的中文路径乱码解决方案。代码实现注重可复用性，支持自动选择GPU加速，

梦想三三
2026-06-12 23:23:42

 908

 22

#pytorch #人工智能 #计算机视觉 +1
CNN算法实战系列06 | InceptionV1实现猴痘病识别

本文基于PyTorch框架实现了GoogLeNet(Inceptionv1)网络对猴痘皮肤图像的二分类识别。通过构建包含9个Inception模块的深层网络，利用多尺度特征提取能力处理224×224尺寸的输入图像。实验使用2142张图像数据集（80%训练集），经过30轮训练后达到87.2%的最高测试准确率。关键实现包括：1）Inception模块设计（1×1/3×3/5×5卷积并行结构）；2）批归

 技术小黑
2026-06-12 21:35:37

 246

 6

#cnn #算法 #深度学习
基于 YOLOv8 与 Faster R-CNN 的红外图像行人检测系统设计与实现

本项目基于YOLOv8和FasterR-CNN开发了一套完整的红外图像行人检测系统，针对低照度、夜间监控等复杂场景进行优化。系统包含数据标注转换、模型训练评估、PyQt5图形界面三大模块，支持图片/视频/摄像头输入，具备目标框选、置信度显示、数量统计、坐标记录及声音报警功能。通过对比实验，YOLOv8在速度和精度平衡性上表现更优，被选为主力模型。项目亮点在于实现了从数据到应用的全流程闭环，特别适合

 王小王-123
2026-06-12 17:24:36

 86

#cnn #目标检测
利用yolov8 Mask R-CNN处理水下侧扫声呐图像数据集目标检测和实例分割。处理识别水下侧扫声呐图像沉船数据集

本文探讨了利用YOLOv8和Mask R-CNN模型处理水下侧扫声呐图像数据集，实现沉船目标检测和实例分割的方法。针对水下图像低对比度、噪声大等挑战，提出了数据预处理方案（归一化、增强、去噪）。文章详细介绍了两种模型的训练流程：YOLOv8适用于实时检测，Mask R-CNN则能同时完成目标检测和实例分割。同时提供了模型评估指标、推理部署方案（包括单张/批量图像处理）以及简单的GUI界面实现。该研

 DeepLearningYolo
2026-06-12 11:55:10

 243

 6

#r语言 #cnn
CNN、RNN与Self-Attention：定义、原理、复杂度与对比-AI轮回基本原理复习3

卷积神经网络（Convolutional Neural Network, CNN）依托局部感受野参数共享提取局部特征，最早用于图像领域，后拓展至NLP、语音、时序分析。循环神经网络（Recurrent Neural Network, RNN）通过递归隐藏状态逐时序处理序列，当前时刻输出同时依赖当前输入与历史记忆。htfxtht−1htfxtht−1自注意力机制直接计算序列任意两个元素的关联度

 黎明
2026-06-12 11:19:13

 346

 6

#人工智能 #cnn #rnn
PyTorch 实现手写数字识别：全连接网络 + CNN 卷积网络（MNIST 数据集实战）

python运行# 自定义全连接神经网络，继承nn.Module# 展平层：将 1*28*28 图片转为一维向量 784# 第一层全连接：784 -> 128 神经元# 第二层全连接：128 -> 256 神经元# 输出层：256 -> 10 （对应0-9共10个分类）# 前向传播（数据流转逻辑，函数名固定为forward）x = torch.sigmoid(x) # 激活函数return x#

丨白色风车丨
2026-06-12 09:27:58

 514

 6

#pytorch #网络 #cnn
基于卷积神经网络的人脸情绪识别算法，引入残差连接与SE注意力模块

人脸情绪识别是人机交互领域的重要研究方向，具有广泛的应用前景。本文针对FER-2013数据集，研究基于卷积神经网络（CNN）的情绪识别算法。首先构建基准CNN模型，分析其在各类别上的性能瓶颈。针对Fear、Sad等弱势类别识别率低的问题，引入残差连接与SE注意力模块改进网络结构；同时采用增强型数据增强（包括Cutout、亮度/对比度调整）和困难样本过采样策略提升模型泛化能力。实验结果表明，优化后的

 叫我：松哥
2026-06-11 21:24:18

 489

 7

#cnn #算法 #人工智能 +3
PyTorch 搭建卷积神经网络：常规写法 vs Sequential 写法详解

python运行# 自定义卷积神经网络类，继承 nn.Module（所有 PyTorch 模型的基类）# 调用父类 nn.Module 的初始化方法，必须写，否则模型参数无法被正确注册# -------------------------- 卷积+池化层定义 --------------------------# 第1层卷积：输入通道3（RGB图像），输出通道32，卷积核5×5，padding=2

努力写A题的小菜鸡
2026-06-11 17:20:46

 320

 8

#pytorch #cnn #人工智能
PyTorch+CNN实现衣物分类

本文介绍了使用CNN卷积神经网络实现衣物分类模型的完整流程。首先下载FashionMNIST数据集并进行预处理，构建包含卷积层、池化层、Dropout和全连接层的神经网络模型。通过10轮训练后，模型在测试集上达到一定准确率，但存在混淆"衬衫"和"T恤"等问题。随后进行了模型改进：增加卷积层、扩大全连接层维度、调整学习率和训练轮次、加入数据增强。改进后的模型性

 金斗潼关
2026-06-10 21:57:38

 398

 4

#pytorch #cnn #分类
基于卷积神经网络的静态手势语识别算法，在测试集上的识别准确率达到97.5%

本文研究基于卷积神经网络（CNN）的静态手势语识别技术，旨在解决听障人士沟通障碍问题。研究构建了包含8种数字手势语的数据集（2784张图像），采用数据增强技术提升模型泛化能力。提出了一种轻量级CNN模型，包含3个卷积层和2个全连接层，配合批归一化和Dropout机制。实验表明，该模型在测试集上达到97.5%的准确率，优于LeNet-5、AlexNet等经典网络，同时保持较低参数量（2.25M）和快

 叫我：松哥
2026-06-10 21:07:17

 554

 17

#cnn #算法 #人工智能 +3
基于深度卷积神经网络的水果图片分类算法设计与实现，有ResNet50的迁移学习模型，准确率达95%

1前言1.1 研究的背景和意义1.1.1 研究背景农业是国民经济的基础产业，农产品的智能化识别对于提升农业生产效率、保障食品安全、推动农业现代化具有重要意义。水果作为日常消费品，其种类繁多、外观相似，传统的人工分类方式不仅效率低下，而且容易受到主观因素和疲劳的影响，难以满足大规模、高精度的应用需求。随着计算机视觉和深度学习技术的迅猛发展，基于图像的自动分类方法逐渐成为研究热点。卷积神经网络（Con

叫我：松哥
2026-06-10 20:57:07

 581

 5

#cnn #分类 #迁移学习 +4
【深度学习】PyTorch CNN 手写数字识别（卷积神经网络）

作用：导入 PyTorch 核心库，所有深度学习操作的基础。类比：就像写作文要先拿笔，torch就是深度学习的 “笔”。作用：导入 PyTorch 的神经网络模块（Neural Network）。核心功能：提供搭建 CNN、全连接层、卷积层等所有网络层的工具。关键：我们搭建的所有 AI 模型，都依赖这个模块。作用：数据加载器，批量管理数据集。通俗理解：把大量图片打包成 “小包裹”，一次性喂给电脑，

m沐沐
2026-06-10 18:46:06

 600

 21

#深度学习 #pytorch #cnn +4
基于卷积神经网络的台风年际变化分析系统的设计与实现（15000字、高质量、计算机专业）

摘要：本研究针对台风年际变化分析中传统统计模型存在的特征提取不全面、非线性拟合能力弱等问题，提出了一种基于改进卷积神经网络（TC-CNN）的分析系统。系统整合了近40年全球台风观测数据、海温数据等多源气象信息，通过引入时序卷积模块和注意力机制，实现了台风生成频数、强度等级等核心特征的自动化提取和预测。实验表明，TC-CNN模型在台风预测任务中平均误差较传统方法降低15%-22%，具有更好的泛化能力

 AA-老高_BYSJ88088
2026-06-10 15:20:24

 318

 8

#cnn #人工智能 #神经网络 +4
CNN图像分类实践：对比三模型及不同结构参数的影响（基于CIFAR-10数据集）

本文通过三个CNN模型在CIFAR-10上的对比实验，揭示了几个关键发现：1）SimpleCNN以仅10万参数取得79.8%准确率，优于迁移学习的ResNet18（72.1%）；2）LeNet-5通过加宽卷积核（32/64核）可提升13.8%准确率至78.8%；3）ResNet18需精细调整冻结策略（仅冻结底层）和归一化（必须使用ImageNet统计量）才能达到可用性能。实验表明，当目标数据集（C

电子琴师
2026-06-10 12:21:19

 189

 10

#目标检测 #神经网络 #cnn +2
机器学习：6.卷积神经网络与循环神经网络

本文总结了卷积神经网络(CNN)和循环神经网络(RNN)的核心原理与应用。CNN通过局部相关性和权重共享机制高效提取空间特征，包含卷积层和池化层结构，广泛应用于图像识别和文本分类。RNN引入时间维度处理序列数据，但存在长期依赖问题。LSTM通过门控机制和细胞状态解决了这一问题，GRU是其简化版本。词嵌入技术将单词映射为低维向量，Word2Vec通过CBOW和Skip-gram模型实现语义表征学习。

小糖学代码
2026-06-10 10:54:50

 246

 5

#机器学习 #cnn #rnn +1
从零搭建卷积神经网络：基于PyTorch实现MNIST手写数字分类

MNIST数据集是深度学习领域的“Hello World”，它包含70,000张28x28的灰度手写数字图像，是入门图像分类任务的绝佳选择。本文将手把手带你使用PyTorch构建一个简洁而高效的卷积神经网络（CNN），完成对MNIST数据集的训练与评估。文章会逐步解读每一段代码的含义，从数据加载、模型构建、训练循环到测试评估，并结合完整的训练日志分析模型的收敛过程。最终我们的模型在测试集上达到了9

2401_88566519
2026-06-10 10:44:13

 499

 9

#cnn #pytorch #分类 +4
第十二章深度学习基础案例：CNN分析K线图来评估股票价格趋势

本案例展示了使用卷积神经网络(CNN)分析股票K线图来预测价格趋势。采用1993-2001年的月度20日K线数据作为训练集，构建了一个包含3个卷积层和1个全连接层的CNN模型。模型采用LeakyReLU激活函数和Xavier权重初始化，并加入了批量归一化和Dropout层以防止过拟合。数据被划分为70%训练集和30%验证集，通过PyTorch框架实现数据加载和模型训练。该案例演示了如何将CNN应用

 哈伦2019
2026-06-09 20:46:48

 78

#深度学习 #cnn
一点想法：验证工程师眼中的AI-ISP

上述三种AI-ISP模式是完全不同的技术路线，不能说谁更好，相对来讲，AI与ISP的嵌合程度越高，画质提升的潜力越高，但是也往往面临黑盒程度上升，算力开销大，研发成本高，这取决于市场，算力预算和不同应用场景。）这些就是做一些简单的修复，不算ISP的核心。这种个人认为是最符合AI-ISP定义的，就是AI直接去替换掉一个或多个（甚至全部的）传统ISP的处理流程（比如HDR，Demosaic等），构建一

 罗笺颗
2026-06-09 17:09:59

 252

 8

#人工智能 #计算机视觉 #深度学习 +1
cnn_captcha：用 CNN 把验证码识别变成一件简单的事

摘要： cnn_captcha项目利用卷积神经网络（CNN）实现端到端验证码识别，简化了传统方法中繁琐的图像处理步骤。该项目支持多种常见验证码类型，提供完整的数据准备、训练和API服务模块，训练1小时即可达到高准确率。适用于爬虫开发或深度学习入门，具备多模型部署能力，但需注意其基于TensorFlow 1.x的兼容性问题。项目结构清晰、文档完备，兼顾实用性和学习价值，GitHub获2.8k星标，是

 jiekouwang312
2026-06-08 21:53:57

 240

 7

#cnn #人工智能 #神经网络 +1
【WOA-CNN-LSTM】基于鲸鱼算法优化深度学习预测模型的超参数研究附Matlab代码

在当今大数据时代，深度学习模型如卷积神经网络（CNN）和长短期记忆网络（LSTM），在各类预测任务中展现出强大的能力。然而，这些模型的性能高度依赖于超参数的设置。鲸鱼算法（WOA）作为一种新兴的元启发式优化算法，模拟鲸鱼的捕食行为，为优化深度学习模型的超参数提供了新途径。基于 WOA 对 CNN - LSTM 模型超参数进行优化，有望提升模型在预测任务中的准确性和稳定性。

Matlab科研辅导帮
2026-06-08 16:41:25

 83

 1

#深度学习 #cnn #lstm
【WOA-CNN-LSTM】基于鲸鱼算法优化深度学习预测模型的超参数研究附Matlab代码

在当今大数据时代，深度学习模型如卷积神经网络（CNN）和长短期记忆网络（LSTM），在各类预测任务中展现出强大的能力。然而，这些模型的性能高度依赖于超参数的设置。鲸鱼算法（WOA）作为一种新兴的元启发式优化算法，模拟鲸鱼的捕食行为，为优化深度学习模型的超参数提供了新途径。基于 WOA 对 CNN - LSTM 模型超参数进行优化，有望提升模型在预测任务中的准确性和稳定性。

matlab科研助手
2026-06-08 16:41:26

 23

#深度学习 #cnn #lstm
【WOA-CNN-LSTM】基于鲸鱼算法优化深度学习预测模型的超参数研究附Matlab代码

在当今大数据时代，深度学习模型如卷积神经网络（CNN）和长短期记忆网络（LSTM），在各类预测任务中展现出强大的能力。然而，这些模型的性能高度依赖于超参数的设置。鲸鱼算法（WOA）作为一种新兴的元启发式优化算法，模拟鲸鱼的捕食行为，为优化深度学习模型的超参数提供了新途径。基于 WOA 对 CNN - LSTM 模型超参数进行优化，有望提升模型在预测任务中的准确性和稳定性。

Matlab科研工作室
2026-06-08 16:41:26

 35

#深度学习 #cnn #lstm
【WOA-CNN-LSTM】基于鲸鱼算法优化深度学习预测模型的超参数研究附Matlab代码

在当今大数据时代，深度学习模型如卷积神经网络（CNN）和长短期记忆网络（LSTM），在各类预测任务中展现出强大的能力。然而，这些模型的性能高度依赖于超参数的设置。鲸鱼算法（WOA）作为一种新兴的元启发式优化算法，模拟鲸鱼的捕食行为，为优化深度学习模型的超参数提供了新途径。基于 WOA 对 CNN - LSTM 模型超参数进行优化，有望提升模型在预测任务中的准确性和稳定性。

Matlab大师兄
2026-06-08 16:41:23

 81

 1

#深度学习 #cnn #lstm
【WOA-CNN-LSTM】基于鲸鱼算法优化深度学习预测模型的超参数研究附Matlab代码

在当今大数据时代，深度学习模型如卷积神经网络（CNN）和长短期记忆网络（LSTM），在各类预测任务中展现出强大的能力。然而，这些模型的性能高度依赖于超参数的设置。鲸鱼算法（WOA）作为一种新兴的元启发式优化算法，模拟鲸鱼的捕食行为，为优化深度学习模型的超参数提供了新途径。基于 WOA 对 CNN - LSTM 模型超参数进行优化，有望提升模型在预测任务中的准确性和稳定性。

Matlab算法改进和仿真定制工程师
2026-06-08 16:41:22

 104

 1

#深度学习 #cnn #lstm
回归预测 | MATLAB实现2-DCNN卷积神经网络多输入单输出回归预测

深度学习在回归预测领域取得了显著的成功，尤其是在处理高维数据和复杂非线性关系方面。卷积神经网络 (Convolutional Neural Network, CNN) 因其强大的特征提取能力，成为回归预测任务中的有力工具。本文将深入探讨一种基于二维卷积神经网络 (2-DCNN) 的多输入单输出回归预测模型，分析其架构、训练策略以及在实际应用中的优势与挑战。传统的回归模型，如线性回归和支持向量回归，

Matlab科研辅导帮
2026-06-08 16:38:46

 73

#回归 #matlab #cnn
从规则引擎到卷积神经网络：AI视觉检测的技术栈为什么在升级

一个典型的工业缺陷检测CNN流水线包括：数据采集层（覆盖所有已知缺陷类型和正常样本的高分辨率工业相机图像）→ 数据增强层（旋转、翻转、缩放、亮度扰动、噪声注入——目标是让模型学到缺陷的形态本质，而不是死记训练样本的具体位置和角度）→ 特征提取层（基于ResNet或EfficientNet等骨干网络，底层卷积核提取边缘和纹理、中层提取部件和区域、高层提取整体形态和缺陷语义）→ 分类/分割层（输出每个

 Aa9988334
2026-06-08 15:16:59

 301

 9

#人工智能 #cnn #视觉检测
创新性爆表！基于CNN与KAN网络结合的高分思路！

发现很多人在做KAN时，关注点都放在KAN本身的结构改进上，这个已经很难卷了，现在真正容易出成果的，反而是KAN与经典架构的结合。尤其是KAN+CNN这条路线，近两年相关工作越来越多。从图像分类、目标检测到医学影像、遥感分析，不少研究都在尝试利用CNN强大的局部特征提取能力，结合KAN的可解释性和非线性建模优势，在保证性能的同时提升模型表达能力。这块最大的难点一般不是搭模型，而是不知道别人已经做到

 程序员小嬛
2026-06-08 14:47:42

 236

 4

#cnn #人工智能 #神经网络 +2
回归预测 | MATLAB实现2-DCNN卷积神经网络多输入单输出回归预测

深度学习在回归预测领域取得了显著的成功，尤其是在处理高维数据和复杂非线性关系方面。卷积神经网络 (Convolutional Neural Network, CNN) 因其强大的特征提取能力，成为回归预测任务中的有力工具。本文将深入探讨一种基于二维卷积神经网络 (2-DCNN) 的多输入单输出回归预测模型，分析其架构、训练策略以及在实际应用中的优势与挑战。传统的回归模型，如线性回归和支持向量回归，

荔枝科研工作室
2026-06-07 22:14:26

 35

#回归 #matlab #cnn
回归预测 | MATLAB实现2-DCNN卷积神经网络多输入单输出回归预测

深度学习在回归预测领域取得了显著的成功，尤其是在处理高维数据和复杂非线性关系方面。卷积神经网络 (Convolutional Neural Network, CNN) 因其强大的特征提取能力，成为回归预测任务中的有力工具。本文将深入探讨一种基于二维卷积神经网络 (2-DCNN) 的多输入单输出回归预测模型，分析其架构、训练策略以及在实际应用中的优势与挑战。传统的回归模型，如线性回归和支持向量回归，

matlab科研助手
2026-06-07 22:14:23

 40

#回归 #matlab #cnn
回归预测 | MATLAB实现2-DCNN卷积神经网络多输入单输出回归预测

深度学习在回归预测领域取得了显著的成功，尤其是在处理高维数据和复杂非线性关系方面。卷积神经网络 (Convolutional Neural Network, CNN) 因其强大的特征提取能力，成为回归预测任务中的有力工具。本文将深入探讨一种基于二维卷积神经网络 (2-DCNN) 的多输入单输出回归预测模型，分析其架构、训练策略以及在实际应用中的优势与挑战。传统的回归模型，如线性回归和支持向量回归，

Matlab科研工作室
2026-06-07 22:14:20

 45

#回归 #matlab #cnn
回归预测 | MATLAB实现2-DCNN卷积神经网络多输入单输出回归预测

深度学习在回归预测领域取得了显著的成功，尤其是在处理高维数据和复杂非线性关系方面。卷积神经网络 (Convolutional Neural Network, CNN) 因其强大的特征提取能力，成为回归预测任务中的有力工具。本文将深入探讨一种基于二维卷积神经网络 (2-DCNN) 的多输入单输出回归预测模型，分析其架构、训练策略以及在实际应用中的优势与挑战。传统的回归模型，如线性回归和支持向量回归，

Matlab论文助手
2026-06-07 22:14:14

 37

#回归 #matlab #cnn
基于鱼鹰优化算法(OOA)优化CNN-BiGUR-Attention风电功率预测研究附Matlab代码

在全球加速向清洁能源转型的背景下，风能作为重要的可再生能源，其发电规模持续扩大。然而，风电功率的间歇性和波动性给电力系统的稳定运行带来挑战。准确的风电功率预测对于电力系统调度、机组组合以及电力市场交易至关重要。本文探讨利用鱼鹰优化算法（OOA）对 CNN - BiGRU - Attention 模型进行优化，以提升风电功率预测的精度。

Matlab科研工作室
2026-06-07 22:02:50

 26

#算法 #cnn #matlab
基于鱼鹰优化算法(OOA)优化CNN-BiGUR-Attention风电功率预测研究附Matlab代码

在全球加速向清洁能源转型的背景下，风能作为重要的可再生能源，其发电规模持续扩大。然而，风电功率的间歇性和波动性给电力系统的稳定运行带来挑战。准确的风电功率预测对于电力系统调度、机组组合以及电力市场交易至关重要。本文探讨利用鱼鹰优化算法（OOA）对 CNN - BiGRU - Attention 模型进行优化，以提升风电功率预测的精度。

Matlab算法改进和仿真定制工程师
2026-06-07 22:02:48

 34

#算法 #cnn #matlab
基于鱼鹰优化算法(OOA)优化CNN-BiGUR-Attention风电功率预测研究附Matlab代码

在全球加速向清洁能源转型的背景下，风能作为重要的可再生能源，其发电规模持续扩大。然而，风电功率的间歇性和波动性给电力系统的稳定运行带来挑战。准确的风电功率预测对于电力系统调度、机组组合以及电力市场交易至关重要。本文探讨利用鱼鹰优化算法（OOA）对 CNN - BiGRU - Attention 模型进行优化，以提升风电功率预测的精度。

matlab科研助手
2026-06-07 22:02:46

 21

#算法 #cnn #matlab
基于鱼鹰优化算法(OOA)优化CNN-BiGUR-Attention风电功率预测研究附Matlab代码

在全球加速向清洁能源转型的背景下，风能作为重要的可再生能源，其发电规模持续扩大。然而，风电功率的间歇性和波动性给电力系统的稳定运行带来挑战。准确的风电功率预测对于电力系统调度、机组组合以及电力市场交易至关重要。本文探讨利用鱼鹰优化算法（OOA）对 CNN - BiGRU - Attention 模型进行优化，以提升风电功率预测的精度。

Matlab_数学建模助手
2026-06-07 22:02:45

 31

#算法 #cnn #matlab
基于鱼鹰优化算法(OOA)优化CNN-BiGUR-Attention风电功率预测研究附Matlab代码

在全球加速向清洁能源转型的背景下，风能作为重要的可再生能源，其发电规模持续扩大。然而，风电功率的间歇性和波动性给电力系统的稳定运行带来挑战。准确的风电功率预测对于电力系统调度、机组组合以及电力市场交易至关重要。本文探讨利用鱼鹰优化算法（OOA）对 CNN - BiGRU - Attention 模型进行优化，以提升风电功率预测的精度。

Matlab大师兄
2026-06-07 22:02:44

 29

#算法 #cnn #matlab
【春笋计划复盘02】答辩PPT是怎么炼成的？——从内容设计到现场呈现实战分析

本文是我"入选春笋计划复盘"系列的第二篇，作为一名高一学生、AI+网络安全技术爱好者，曾多次参加市级、省级科创答辩，荣获市一、省一。文章详细拆解了市级现场答辩（3分钟PPT展示+3分钟提问）的实战经验。内容包括：11页PPT的结构设计与时间分配、三大关键决策（证书背书、视频演示、类比降门槛）、评委4类典型问题及考察点、回答技巧（先结论后解释、用数据支撑、真诚回答），并附赠一份答辩准备Checkli

CJH（T科技）
2026-06-07 11:31:47

 260

 7

#人工智能 #cnn #网络安全 +2
基于 ResNet34 的混凝土坍落度智能预测系统

摘要本项目开发了一套基于ResNet34的混凝土坍落度智能预测系统，采用前后端分离架构实现混凝土工作性自动化检测。系统通过工业摄像头采集混凝土图像，利用深度学习模型实时分类坍落度为合适/偏干/偏稀三种状态，显著提升了传统人工测试的效率和客观性。技术方案包含Flask后端API、纯前端界面和独立ML模块，优化了模型单例加载和训练流程，解决了原版代码的性能问题。系统支持数据采集、模型微调、实时预测等

 君安QAQ
2026-06-06 16:19:42

 363

 11

#python #pytorch #cnn +2
【春笋计划复盘01】我为什么要做AI钓鱼网站检测？

2025年AI兴起后，身边多位同学遭遇钓鱼网站诈骗的真实经历，让我萌生了用AI对抗AI生成钓鱼网站的想法。凭借对CNN卷积神经网络和网络安全技术的双重兴趣，我独立完成了《AI钓鱼网站动态识别及防护软件》项目，该项目采用黑白名单机制与CNN图像级识别相结合的技术路线，从被动防御转向主动识别。本文介绍了西安市"春笋计划"的选拔流程，并分享了选题"小切口、大意义"、技术路线清晰等参赛经验，希望能够帮助到

 CJH（T科技）
2026-06-06 14:38:17

 237

 6

#人工智能 #cnn #网络安全 +4
项目介绍 MATLAB实现基于卷积门控循环单元（CNN-GRU）进行锂电池SOC估计（含模型描述及部分示例代码）专栏近期有大量优惠还请多多点一下关注加油谢谢你的鼓励是我前行的动力谢谢支持加

本文介绍了一种基于卷积门控循环单元（CNN-GRU）混合神经网络进行锂电池荷电状态（SOC）估计的MATLAB实现方法。该项目针对传统SOC估计算法在复杂工况下精度不足的问题，利用CNN提取电流、电压和温度的局部特征，结合GRU建模时序依赖性，构建了端到端的深度学习模型。文章详细阐述了数据处理流程、网络结构设计（包含一维卷积层、GRU层和回归输出层）、训练策略以及模型评估方法，并提供了MATLAB

xiaoxingkongyuxi
2026-06-06 08:51:51

 158

 6

#matlab #gru #cnn +4
CNN算法实战系列05 | SE注意力机制改造 ResDenseNet

本文提出了一种结合ResNet残差连接、DenseNet密集连接和SE-Net通道注意力机制的SE-ResDenseNet模型。该模型在ResDenseNet基础上嵌入SE模块，通过对特征通道进行自适应重标定，增强关键特征并抑制冗余信息。实验结果表明，在10个epoch训练后，模型在测试集上达到89.2%的准确率，验证了SE模块的有效性。SE模块仅增加2.14%的参数量（43.5K），却显著提升了

 技术小黑
2026-06-05 21:32:08

 209

 5

#人工智能 #pytorch #cnn
基于深度学习卷积神经网络，利用Tensorflow和Keras等工具实现图像年龄和性别检测建立基于深度学习的人脸性别年龄识别评估系统

本文介绍了一个基于深度学习的人脸性别年龄识别系统。该系统采用卷积神经网络(CNN)架构，使用TensorFlow和Keras框架实现。系统主要功能包括：通过人脸图像预测性别(二元分类)和年龄(回归分析)。关键技术步骤包括：1)数据预处理(图像缩放、归一化)；2)构建双输出CNN模型(共享特征提取层，分别输出年龄和性别预测)；3)模型训练与评估(采用MAE评估年龄预测，准确率评估性别分类)。文章提供

 DeepLearningYolo
2026-06-05 17:07:12

 198

 3

#深度学习 #cnn #tensorflow
顶刊最爱！融合CNN+Transformer+Mamba，涨点起飞

深度学习领域，取长补短的“缝合怪”往往最强，也超级吃香，比如今天推荐的这个方向：CNN+Transformer+Mamba。近半年，CV/NLP顶会趋势很明显，这种混合架构正是如今工业落地的答案。这三者互补后的模型，可以用更少的显存，达到甚至超越纯Transformer的效果。举个栗子，发表于TGRS 2026上的LGMM-Net，为解决遥感CD的痛点，通过融合三者的优势，在四大公开数据集上全面超

 深度之眼
2026-06-04 17:57:21

 224

 9

#cnn #transformer
项目介绍 MATLAB实现基于ACO-MLP-CNN 蚁群算法（ACO）结合多层感知机（MLP）与卷积神经网络（CNN）进行无人机三维路径规划（含模型描述及部分示例代码）专栏近期有大量优惠还请多多点

摘要：本文提出了一种基于蚁群算法（ACO）结合多层感知机（MLP）与卷积神经网络（CNN）的无人机三维路径规划方法，通过MATLAB实现。该方法针对复杂三维环境中路径规划的高维、非线性及动态约束问题，利用CNN提取局部空间特征，MLP融合多目标代价指标（如路径长度、风险、能耗等），ACO进行全局优化搜索，形成协同决策框架。项目构建了三维栅格化环境模型，通过分层离散化与神经网络引导优化搜索效率，解

 xiaoxingkongyuxi
2026-06-03 20:20:20

 194

 6

#matlab #cnn #算法 +4
卷积神经网络

继神经网络（前馈神经网络：https://blog.csdn.net/A_Sinon/article/details/157101519?fromshare=blogdetail&sharetype=blogdetail&sharerId=157101519&sharerefer=PC&sharesource=A_Sinon&sharefrom=from_link）后，引入卷积神经网络。

A_Sinon
2026-06-03 17:27:31

 239

 7

#cnn #人工智能 #神经网络
使用 mis-tei 在昇腾310P上部署 bge-m3模型

本文详细介绍了如何在华为昇腾310P NPU上使用mis-tei框架部署BAAI开源的BGE-M3多语言通用嵌入模型。文章从环境校验、镜像拉取、模型下载到容器启动和接口测试，提供了完整的部署流程指南，包含Docker-compose配置示例和Python调用代码。针对生产环境部署，给出了资源限制、自动重启等优化建议，并列出常见问题排查方法。该方案充分发挥了昇腾310P的低功耗高吞吐优势，通过mis

m0_46879864
2026-05-29 15:13:45

 728

 8

#python #自然语言处理 #华为 +4
现代卷积神经网络（二）：NiN与GoogLeNet，打破常规的结构魔法

本文深入解析了两种突破性的CNN架构：NiN和GoogLeNet。NiN通过1x1卷积和全局平均汇聚，有效解决了传统CNN中全连接层参数量过大的问题，实现了轻量化设计。GoogLeNet则创新性地提出Inception块，并行使用不同尺度的卷积核（1x1、3x3、5x5）和最大汇聚，让网络自动学习多尺度特征组合。这两种架构都大量运用1x1卷积进行通道融合与维度调整，其中NiN块通过"卷积+1x1卷

 2401_83600008
2026-05-29 08:00:00

 811

 30

#cnn #人工智能 #神经网络