✅作者简介：人工智能专业本科在读，喜欢计算机与编程，写博客记录自己的学习历程。🍎个人主页：小嗷犬的个人主页🍊个人网站：小嗷犬的技术小站🥭个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。本文目录标题和作者摘要创新点ReLU多GPUDropout其他网络结构输入层（Inputlayer）卷积层（C1）卷积层（C2）卷积层（C3）卷积层（C4）卷积层（C5）全连接层（FC6）全连接层（FC7）输出层（Outputlayer）标题和作者ImageNetClassificationwithDeepConvolutionalNeuralNetworks，意为使用深度卷积神经网络在ImageN
本文作者：slience_me我看的论文地址：MobileNets:EfficientConvolutionalNeuralNetworksforMobileVisionApplications内容1.标准卷积假设输入为DF×DF×M，输出为输入为DF×DF×N，卷积核为DK×DK×M，共有N个卷积核进行卷积操作下图为标准的卷积过程，每个卷积核对输入的向量进行卷积操作，得到一个特征映射，共有N个卷积核进行卷积操作，则可以得到N个特征映射，即DK×DK×N示意图如下：一般卷积2.深度可分离卷积（DepthwiseSeparableConvolution）2.1DepthwiseConvoluti
混合模型ACmix将自注意与卷积的整合，同时具有自注意和卷积的优点。这是清华大学、华为和北京人工智能研究院共同发布在2022年CVPR中的论文卷积分解与自注意力卷积分解标准卷积:重写为来自不同内核位置的特征映射的总和:这里的：为了进一步简化公式，使用Shift操作的定义:g(p,q)ij可以改写为:由上得出，标准卷积可以概括为两个阶段:在第一阶段，输入特征从某个位置(p,q)核权重进行线性投影。这与标准的1×1卷积相同。在第二阶段，投影特征图根据内核位置移动并最终聚合在一起。自注意力分解考虑一个有N个头的标准自注意模块。注意力模块的输出为:其中||是N个注意头输出的级联。注意力权重计算为:多头
本文是对《SRCBTFusion-Net:AnefficientFusionArchitectureviaStackedResidualConvolutionBlocksandTransformerforRemoteSensingImageSemanticSegmentation》一文的总结，如有侵权即刻删除。 项目代码：https://github.com/js257/SRCBTFusion-Net文章目录Title总结1.贡献2.模型设计 2.1语义信息增强模块与关系引导模块 2.2多路视野自注意力模块 2.3多尺度特征聚合模块3.实验结果 3.1消融 3.2与最新方法比较
精确分割拓扑管状结构例如血管和道路，对医疗各个领域至关重要，可确保下游任务的准确性和效率。然而许多因素使分割任务变得复杂，包括细小脆弱的局部结构和复杂多变的全局形态。针对这个问题，作者提出了动态蛇卷积，该结构在管状分割任务上获得了极好的性能。论文：DynamicSnakeConvolutionbasedonTopologicalGeometricConstraintsforTubularStructureSegmentation中文论文：拓扑几何约束管状结构分割的动态蛇卷积代码：https://github.com/yaoleiqi/dscnet一、适用场景管状目标分割的特点是细长且复杂，标准
@article{zhang2020ifcnn,title={IFCNN:Ageneralimagefusionframeworkbasedonconvolutionalneuralnetwork},author={Zhang,YuandLiu,YuandSun,PengandYan,HanandZhao,XiaolinandZhang,Li},journal={InformationFusion},volume={54},pages={99–118},year={2020},publisher={Elsevier}}论文级别：SCIA1影响因子：18.6📖文章目录📖论文解读🔑关键词💭核心思想
MultiplexHeterogeneousGraphConvolutionalNetwork现有的工作忽略了多类型节点之间多重网络的关系异质性和节点嵌入元路径中关系的不同重要性导致很难捕获到跨不同关系的异构结构信号什么是多类型节点之间多重网络的关系异质性？首先要知道什么是多重网络(multiplexnetwork)，在一个网络中，用户可能会对一个商品有多种交互，比如点击、购买、评论，这些交互都形成了用户节点与商品节点交互的边，但这些边的类型不同，同一对节点之间有不同类型的边，就构成了一个多重网络。“点击、购买、评论“形成了关系异质性。节点嵌入元路径中关系的不同重要性？假设有元路径IUI(It
采用的是吴恩达老师的论文阅读方法。阅读过程：Multiplepasses[多次通读]Readthetitle/abstract/figuresTitleProgressive采用渐进的方式，逐步改进模型性能或逐步引入新的技术。渐进性通常表示逐步迭代和改进。Progressivelystackrandconvblock【重复迭代】--block（变形偏移+仿射变换）【保留语义并获得更多style】Randomconvolutions可能在卷积层中引入某种随机性或随机特征来提高性能。【猜测可能用crf】基于randconvSingledomaingeneralization主要目标是解决单一领域泛
目录互相关运算定义互相关运算图示互相关运算完整计算示例卷积数学定义卷积运算图示卷积与互相关运算区别深度学习中的卷积为何能用互相关运算代替互相关运算定义在二维互相关运算中，卷积窗口从输入数组的最左上方开始，按从左往右、从上往下的顺序，依次在输入数组上滑动。当卷积窗口滑动到某一位置时，窗口中的输入子数组与核数组按对应元素相乘并求和，得到输出数组中相应位置的元素。互相关运算图示假设我们有一张image和一个filter 我们对图像中的蓝色区域进行Cross-correlation（互相关运算）那么在点E处的计算方式就是： G[3,3]=a∗A+b∗B+c∗C+d∗D+e∗E+f∗F+g∗G+h∗H+
【论文阅读笔记】Attention-BasedConvolutionalNeuralNetworkforEarthquakeEventClassification摘要 这段摘要介绍了一篇论文，其中提出了一种带有注意力模块的深度卷积神经网络（CNN），旨在提高对各种地震事件的分类性能。研究的目标是处理所有可能的地震事件，包括微地震和人工地震，以及大地震。为了成功应对这些事件，需要合适的特征表达和一个在不利条件下能够有效区分地震波形的分类器。为了鲁棒地分类地震事件，论文提出了一种在原始地震波形上使用深度CNN和注意力模块的方法。通过代表性的实验结果，论文表明该方法为地震事件分类提供了有效的结构，并
