RT-DETR改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1，用于移动视觉应用的高效卷积神经网络
一、本文介绍 本文记录的是基于MobileNet V1的RT-DETR轻量化改进方法研究。MobileNet V1基于深度可分离卷积构建，其设计旨在满足移动和嵌入式视觉应用对小型、低延迟模型的需求，具有独特的模型收缩超参数来灵活调整模型大小与性能。本文将MobileNet V1应用到RT-DETR中，有望借助其高效的结构和特性，提升RT-DETR在计算资源有限环境下的性能表现，同时保持一定的精度....
YOLOv11改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1，用于移动视觉应用的高效卷积神经网络
一、本文介绍 本文记录的是基于MobileNet V1的YOLOv11轻量化改进方法研究。MobileNet V1基于深度可分离卷积构建，其设计旨在满足移动和嵌入式视觉应用对小型、低延迟模型的需求，具有独特的模型收缩超参数来灵活调整模型大小与性能。本文将MobileNet V1应用到YOLOv11中，有望借助其高效的结构和特性，提升YOLOv11在计算资源有限环境下的性能表现，同时保持一定的精度....
存内计算芯片研究进展及应用—以基于NorFlash的卷积神经网络量化及部署研究突出存内计算特性
@[toc] 如果我能看得更远一点的话，那是因为我站在巨人的肩膀上。 —牛顿 存内计算的背景 存内计算是一种革新性的计算范式，旨在克服传统冯·诺依曼架构的局限性。随着大数据时代的到来，传统的冯·诺依曼架构由于处理单元和存储器互相分离，带来了巨大的延时和能耗，承受着高昂的数据传输成本，即所谓的“冯·诺依曼瓶颈”。为了解决这个问题，存内计算应运而生。 存内计算架构在功能和物理上...
PyTorch应用实战二：实现卷积神经网络进行图像分类
实验环境python3.6 + pytorch1.8.0import torch print(torch.__version__)1.8.0MNIST数据集MNIST数字数据集是一组手写数字图像的数据集，用于机器学习中的图像分类任务。该数据集包含60,000张训练图像和10,000张测试图像，每张图像都是28x28像素大小的灰度图像。每张图像都被标记为0到9中的一个数字。该数据集是由美国国家标准....
【第26篇】MobileNets：用于移动视觉应用的高效卷积神经网络
MobileNets：用于移动视觉应用的高效卷积神经网络摘要我们提出了一类称为 MobileNets 的高效模型，用于移动和嵌入式视觉应用。 MobileNets 基于流线型架构，使用深度可分离卷积来构建轻量级深度神经网络。 我们引入了两个简单的全局超参数，可以有效地在延迟和准确性之间进行权衡。 这些超参数允许模型构建者根据问题的约束为其应用程序选择合适大小的模型。 我们在资源和准确性权衡方面进....
在量化交易中应用卷积神经网络CNN做时间序列预测
量化交易中，最直接的判断策略是根据历史的价格走势或者交易量的变化，来预测未来的价格。这一点对于传统看K线的形态派，和现在使用机器学习的炼丹派应该都是一样的。对价格预测的有效性基于两个假设： 市场参与者的某种交易心理或者说情绪，会形成特定模式的下单流，从结果来看，就是造成特定的交易量演变以及价格走势。也就是说价格波动不是一个完全的随机游走过程，而是前后关联的。 市场参与者不会在某个时间点全部离场.....
基于深度学习的病毒检测技术无需沙箱环境，直接将样本文件转换为二维图片，进而应用改造后的卷积神经网络 Inception V4 进行训练和检测
话题 3: 基于深度学习的二进制恶意样本检测 分享主题：全球正在经历一场由科技驱动的数字化转型，传统技术已经不能适应病毒数量飞速增长的发展态势。而基于沙箱的检测方案无法满足 APT 攻击的检测需求，也受到多种反沙箱技术的干扰。在充分考察过各种技术方案的优劣后，瀚思科技开发出了基于深度学习的二进制病毒样本检测技术，可以做到沙箱同等水平的 99% 的检测准确率，而误报率低于 1/1000。基于深度学....
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。