摘 要: 针对铝型材表面缺陷快速准确检测的需求，提出一种基于 YOLO 深度学习模型的铝型材表面缺陷识别方法。对铝型材数据集进行图像增广，解决原始数据集中图像数量少且缺陷数据不均衡问题。建立基于 YO

来源：在当今时代，机器在理解和识别图像中的特征和目标方面已经成功实现了99％的精度。我们每天都会看到这种情况-智能手机可以识别相机中的面部；使用Google图片搜索特定照片的能力；从条形码或书籍中扫描

随着新一代信息通信技术的迅猛发展，作为终端设备的智能手机、平板电脑、智能家居等产品的市场需求持续增长，液晶面板生产规模急剧增大，成为信息产业中的支柱之一。   液晶面板行业的崛起，带动面板质检需求的暴

在当今时代，机器在理解和识别图像中的特征和目标方面已经成功实现了99％的精度。我们每天都会看到这种情况-智能手机可以识别相机中的面部；使用Google图片搜索特定照片的能力；从条形码或书籍中扫描文本。

人工智能（AI）长期以来一直是科幻作家和学者的主题。将人脑的复杂性复制到计算机中的挑战催生了新一代的科学家、数学家和计算机算法开发人员。持续的研究现在已经让位于人工智能的使用，通常被称为深度学习或机器

今天周末，跟大家聊点假装深沉的话题。现在我们在讨论人工智能的时候，大都把卷积神经网络奉为圭臬。因为这种算法，号称是“平移不变的人工神经网络”，说人话就是人脑的高仿。通过模拟人类脑皮层神经元的网状结构，

前面几篇文章讲到了卷积神经网络CNN，但是对于它在每一层提取到的特征以及训练的过程可能还是不太明白，所以这节主要通过模型的可视化来神经网络在每一层中是如何训练的。我们知道，神经网络本身包含了一系列特征

人们常说眼睛是心灵的窗户，但是谷歌的研究人员把它们视作人们健康的指示器。谷歌正借助深度学习技术，通过分析人们的视网膜图像预测一个人的血压、年龄和吸烟状态。谷歌的计算机能够从血管的排布中获取线索，而且之

当人们提到卷积神经网络(CNN), 大部分是关于计算机视觉的问题。卷积神经网络确实帮助图像分类以及计算机视觉系统核心取得了重要突破，例如Facebook自动照片加tag的功能啊，自动驾驶车辆等。近年来

摘要： 何为卷积神经网络，它来自何方？又要走向何处？跟着作者的节奏，一起来开始探索CNN吧。卷积神经网络听起来像一个奇怪的生物学和数学的组合，但它是计算机视觉领域最具影响力的创新之一。2012年是卷积

摘要： 本文主要和大家分享如何使用Tensorflow从头开始构建和训练卷积神经网络。这样就可以将这个知识作为一个构建块来创造有趣的深度学习应用程序了。0. 简介在过去，我写的主要都是“传统类”的机器

之前在网上搜索了好多好多关于CNN的文章，由于网络上的文章很多断章取义或者描述不清晰，看了很多youtobe上面的教学视频还是没有弄懂，最后经过痛苦漫长的煎熬之后对于神经网络和卷积有了粗浅的了解。于是

卷积神经网络经网络结构图图2 卷积神经网络结构图卷积神经网络和全连接的神经网络结构上的差异还是比较大的，全连接的网络，相邻两层的节点都有边相连，而卷积神经网络，相邻节点只有部分节点相连。全连接神经网络

目前，人们对性能强大且结构复杂的计算机已是司空见惯。通过与手机和蓝牙音响对话，我们可以收到环境敏感信息的反馈；驾驶某些汽车时，我们可以双手脱离方向盘，让电子设备带我们上路；只要触摸某个按钮，我们便可以

本周在加利福利亚举办的嵌入式视觉峰会（EVS）上，我们展示了最新的卷积神经网络(CNN)物体识别演示。自在去年的EVS大会上发布原始演示以来，我们对其进行了多番扩展，目前，演示已扩展到涵括多个网络模型

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易

20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络CNN（ConvoluTIona

作者：周苏，支雪磊，刘懂，宁皓，蒋连新，石繁槐PVANet（performance vs accuracy network）卷积神经网络用于小目标检测的检测能力较弱。针对这一瓶颈问题， 采用对PVAN

无人机技术的发展十分迅速。从美军无人机的使用，到现在无人机在研究、民用等多方面的普及，无人机已成为一种新的潮流[1-2]。随之而来也带来很多新问题，此前无人机险撞战机事件的发生，就给人们敲响了警钟。因