CNN

• 自動駕駛感知系統中卷積神經網絡原理的疑點分析

  卷積神經網絡（Convolutional Neural Networks, CNN）的核心技術主要包括以下幾個方面：局部連接、權值共享、多卷積核以及池化。這些技術共同作用，使得CNN在圖像和語音識別等領域取得了顯著成就，并廣泛用于車輛自動駕駛的圖像目標識別中。

  智駕最前沿

  863

  04/07 11:25

  自動駕駛 卷積神經網絡

  
• 融合注意力機制的卷積神經網絡-雙向長短期記憶網絡(CNN-BiLSTM-Attention)的多變量

  CNN-BiLSTM-Attention模型是一種在自然語言處理(NLP)任務中常用的強大架構，如文本分類、情感分析等。它結合了卷積神經網絡(CNN)、雙向長短期記憶網絡(BiLSTM)和注意力機制的優(yōu)勢，能夠捕捉局部特征和序列數據中的長程依賴關系。

  算法小狂人

  3410

  03/25 12:25

  Python 卷積神經網絡

  
• CNN-SVM時間序列預測/詳細原理講解

  CNN-SVM（卷積神經網絡-支持向量機）是一種將卷積神經網絡（CNN）與支持向量機（SVM）組合起來的深度學習模型。CNN-SVM模型的目標是通過結合CNN的特征提取能力和SVM的分類能力來提升圖像分類、模式識別等任務的性能。以下詳細介紹這兩種模型各自的數學原理及其組合后的工作原理。

  算法小狂人

  1280

  03/24 15:30

  卷積神經網絡 CNN

  
• 最簡單用TensorFlow實現CNN（cifar10數據集）

  CNN的本質是先把數據進行特征提取，再送進DNN。前面特征提取的部分可以概括為CBAPD，C表示卷積（convolution），B表示批標準化（batch normalization），A表示激活（activation），P表示池化（pool），D表示（dropout）

  全棧O-Jay

  1932

  2024/12/11

  CNN TensorFlow

  
• 借助支持邊緣 AI 的 MCU 優(yōu)化實時控制系統中的系統故障檢測

  當前關于人工智能 (AI) 和神經網絡的討論主要集中在生成應用（生成圖像、文本和視頻），很容易忽視 AI 將為工業(yè)和基礎設施應用中的電子產品帶來變革的實際示例。 不過，雖然在電機驅動器、太陽能（如圖 1 所示）和電池管理應用的實時控制系統中采用 AI 不會像新的大型語言模型那樣引起大量關注，但使用邊緣 AI 進行故障檢測可以顯著影響系統的效率、安全性和生產力。 圖 1 太陽能電池板陣列 本文中將討

  與非網編輯

  2244

  2024/11/28

  人工智能 MCU

  
• 通過軟件洞察和用例分析塑造的NPU IP架構

  Ido Gus,?深度學習高級團隊負責人,?傳感器與音頻業(yè)務部門, Ceva ? 神經處理單元（NPU）的出現徹底改變了機器學習領域，使深度學習任務所需的復雜數學計算得以高效地執(zhí)行。通過優(yōu)化矩陣乘法和卷積運算，NPU極大地增強了AI（人工智能）模型在各個領域的能力，從服務器群到電池驅動設備。 TinyML（微型機器學習）的出現進一步推動了AI的發(fā)展，其重點是在資源有限的嵌入式設備上實現機

  與非網編輯

  1944

  2024/07/15

  NPU mac

  

正在努力加載...