27、卷积 - 卷积特征的可视化和一个神奇的网站
既然上一节说了卷积的本质是一个特征提取器，那么既然卷积神经网络在图像分类、图像检测、图像分割以及其他领域有这么好的表现，卷积算法到底提取了什么特征呢？ 虽然有时候我们说神经网络是个黑盒，但是研究人员也一直在探索，如何将卷积学习到的特征给分析出来。 就是想要看一看，在 CNN网络中，那么多卷积，到底提取了哪些特征。 这就涉及到了卷积特征的可视化技术。 我们可以通过一定的方法，将神经网络每一层卷积的输出（...
练习11-简单卷积器的设计
简单卷积器的设计 1，任务目的：2，明确设计任务2.1,目前这部分代码两个文件没找到，见第5、6节，待解决中。 ，卷积器的设计，RTL：con1.v4，前仿真和后仿真，测试信号：test_con1.v5，A/D转换器的Verilog HDL 模型所需要的技术参数，RTL代码adc.v5.1 问题：这个文件没找到，待解决中5.2，RTL源代码 6，2K×8位 异步CMOS静态 RAM HM-65162...
YOLOv5独家原创改进：创新自研CPMS注意力，多尺度通道注意力具+多尺度深度可分离卷积空间注意力，全面升级CBAM
💡💡💡本文自研创新改进：自研CPMS, 多尺度通道注意力具+多尺度深度可分离卷积空间注意力,全面升级CBAM 1）作为注意力CPMS使用； 推荐指数：五星 CPMS | 亲测在多个数据集能够实现涨点，对标CBAM。 收录 YOLOv5原创自研 https://blog.csdn.net/m0_63774211/category_12511931.html 💡💡💡全网独家首发创新（原创），...
23、什么是卷积的 Feature Map?
这一节介绍一个概念，什么是卷积的 Feature Map？ Feature Map, 中文称为特征图，卷积的 Feature Map 指的是在卷积神经网络（CNN）中，通过卷积这一操作从输入图像中提取的特征图。 上一节用示意动图介绍了卷积算法是如何完成的。大致的过程就是，卷积通过卷积核在输入数据(一般是图像或者上一层的输出）上进行扫描，该卷积核与输入数据进行逐元素相乘，并将结果相加然后生成输出的过程，...
YOLOv8独家原创改进：自研独家创新FT_Conv，卷积高效结合分数阶变换
💡💡💡本文自研创新改进：卷积如何有效地和频域结合，引入分数阶傅里叶变换(FrFT)和分数阶Gabor变换(FrGT)，最终创新到YOLOv8。 使用方法：1）直接替换原来的C2f；2)放在backbone SPPF后使用；等 推荐指数：五星 在道路缺陷检测任务中，原始map为0.8，FT_Conv为0.82 收录 YOLOv8原创自研 https://blog.csdn.net/m0_63774211...
聊聊卷积神经网络CNN
卷积神经网络（Convolutional Neural Network，CNN）是一种被广泛应用于图像识别、语音识别和自然语言处理等领域的深度学习模型。与RNN、Transformer模型组成AI的三大基石。在卷积神经网络中，相比较普通的神经网络，增加了卷积层(Convolution)和池化层(Pooling)。其结构一般将会是如下: CNN的层连接顺序是"Convolution - ReLU - ...
YOLOv8优化策略：自适应改变核大小卷积AKConv，效果优于标准卷积核和DSConv |2023.11月最新成果
🚀🚀🚀本文改进： AKConv 中，通过新的坐标生成算法定义任意大小的卷积核的初始位置。 为了适应目标的变化，引入了偏移量来调整每个位置的样本形状。 此外，我们通过使用具有相同大小和不同初始采样形状的 AKConv 来探索神经网络的效果。 AKConv 通过不规则卷积运算完成高效特征提取的过程，为卷积采样形状带来更多探索选择。 直接代替标准卷积使用 🚀🚀🚀YOLOv8改进专栏：http://t....
YOLOV5改进：RefConv | 即插即用重参数化重聚焦卷积替代常规卷积，无额外推理成本下涨点明显
，如将注意力机制添加到网络的不同位置，便于做实验，也可以当做论文的创新点 3.涨点效果：RefConv,实现有效涨点！ 论文地址 目录 1.步骤一 2.步骤二 3.步骤三 我们提出了重新参数化的重聚焦卷积（RefConv）作为常规卷积层的替代品，常规卷积层是一个即插即用的模块，可以在不需要任何推理成本的情况下提高性能。具体来说，给定一个预先训练的模型，RefConv对从预先训练的模型继承的基核应用一个...
【深度学习】【pytorch】对卷积层置零卷积核进行真实剪枝
文章目录 前言卷积层剪枝总结 前言 深度学习剪枝(Pruning)是一种用于减少神经网络模型大小、减少计算量和提高推理效率的技术，通过去除神经网络中的冗余连接(权重)或节点(神经元)，从而实现模型的稀疏化。 深度学习剪枝(Pruning)具有以下几个好处：1. 模型压缩和存储节省；2. 计算资源节省；3. 加速推理速度；4. 防止过拟合。 “假剪枝”(Fake Pruning)是一种剪枝算法的称呼，...
RT-DETR算法优化改进：新颖的多尺度卷积注意力（MSCA），即插即用，助力小目标检测 | NeurIPS2022
💡💡💡本文独家改进: 多尺度卷积注意力（MSCA），有效地提取上下文信息，新颖度高，创新十足。 1）代替RepC3进行使用； 2）MSCAAttention直接作为注意力进行使用； 推荐指数：五星 RT-DETR魔术师专栏介绍： https://blog.csdn.net/m0_63774211/category_12497375.html ✨✨✨魔改创新RT-DETR 🚀🚀🚀引入前沿顶会创新...