摘要：
CRNN（Convolutional Recurrent Neural Network）是一种用于图像序列识别的端到端可训练神经网络，特别擅长处理场景文本识别任务 。CRNN 的核心架构包括三个主要部分：卷积层（CNN）、循环层（RNN）和转录层（Transcription Layer），结合 CT 阅读全文
posted @ 2025-12-06 22:00
yinghualeihenmei
阅读(4)
评论(0)
推荐(0)
摘要：
MD-FPN 是一种优化的特征金字塔网络结构，旨在提高多尺度目标检测的性能。它通过引入多尺度预测融合和注意力机制，增强了特征提取能力 MD-FPN（Multi-Dilation Feature Pyramid Network）可以与 Faster R-CNN 结合使用，以提升模型对多尺度目标的检测能 阅读全文
posted @ 2025-12-06 21:55
yinghualeihenmei
阅读(2)
评论(0)
推荐(0)
摘要：
Focal Loss 是一种用于解决类别不平衡问题的损失函数，特别适用于目标检测任务。在目标检测中，背景类别通常远多于目标类别，这导致模型在训练过程中对背景类别过度拟合，而忽视了目标类别。Focal Loss 通过调整损失函数的权重，使得模型更关注难以分类的样本，从而提高模型对目标类别的检测能力。 阅读全文
posted @ 2025-12-06 21:36
yinghualeihenmei
阅读(2)
评论(0)
推荐(0)
摘要：
21.3 FPS（Frames Per Second）的实时处理能力”是指一个系统或模型能够在每秒处理大约21.3帧图像或视频数据。这个指标通常用于衡量计算机视觉模型（如目标检测、分割等）在实时应用中的性能。 21.3 FPS 的意义 实时性： 21.3 FPS 表示系统能够在大约每秒处理21.3帧 阅读全文
posted @ 2025-12-06 21:25
yinghualeihenmei
阅读(3)
评论(0)
推荐(0)
摘要：
“收敛至约0.28”这个表述通常出现在描述模型训练过程中的某个指标（如损失函数值或准确率等）逐渐稳定并接近某个特定值（这里是0.28）的情况。具体含义取决于上下文，以下是一些可能的解释和应用场景： 1. 损失函数收敛至约0.28 在训练深度学习模型时，损失函数（Loss Function）是衡量模型 阅读全文
posted @ 2025-12-06 21:01
yinghualeihenmei
阅读(3)
评论(0)
推荐(0)
摘要：
在深度学习中，冻结预训练层策略（Freezing Pre-trained Layers）是一种常见的技术，尤其是在使用预训练模型进行迁移学习（Transfer Learning）时。这种策略的核心思想是将预训练模型的一部分层（通常是早期层）冻结，即在训练过程中不更新这些层的权重，而只训练模型的其他部 阅读全文
posted @ 2025-12-06 20:55
yinghualeihenmei
阅读(4)
评论(0)
推荐(0)
摘要：
学习率衰减策略（Learning Rate Decay）是深度学习中一种重要的技术，用于在训练过程中动态调整学习率。这种策略可以帮助模型在训练初期快速收敛，并在训练后期更精细地调整权重，从而提高模型的性能和泛化能力。 学习率衰减策略（Learning Rate Decay）的核心功能就是自动降低学习 阅读全文
posted @ 2025-12-06 20:34
yinghualeihenmei
阅读(4)
评论(0)
推荐(0)
摘要：
在深度学习中，权重衰减（Weight Decay） 是一种常用的正则化技术，用于防止模型过拟合。它通过在损失函数中添加一个正则化项来限制模型的复杂度，从而提高模型的泛化能力。 权重衰减（Weight Decay）通常在整个训练过程中都使用，而不是仅在某个特定阶段。在 Faster R-CNN 的训练 阅读全文
posted @ 2025-12-06 20:28
yinghualeihenmei
阅读(3)
评论(0)
推荐(0)
摘要：
在动量优化算法中，动量参数（通常用 β 表示）用于控制上一次梯度更新对当前更新的影响程度。动量参数的值在 0 到 1 之间，0.9 是一个常见的选择，它可以帮助优化算法更快地收敛，并且减少震荡。 动量（Momentum） 通常在整个训练过程中都使用，而不是仅在某个特定阶段。 在 Faster R-C 阅读全文
posted @ 2025-12-06 20:23
yinghualeihenmei
阅读(2)
评论(0)
推荐(0)
摘要：
训练轮数（Epochs） = 完整遍历整个训练集的次数，是控制模型学习深度的核心超参数。 一、定义与计算 1个Epoch = 所有训练样本都参与一次梯度更新 Python 复制 # 示例：8000张图纸，batch_size=4 num_images = 8000 batch_size = 4 # 阅读全文
posted @ 2025-12-06 19:58
yinghualeihenmei
阅读(1)
评论(0)
推荐(0)
浙公网安备 33010602011771号