我的github
posts - 3243,  comments - 42,  views - 158万, 

当前标签：神经网络

1 2 下一页
EfficientDet：Scalable and Efficient Object Detection XiaoNiuFeiTian 2020-04-25 23:56 阅读:291 评论:0 推荐:0 编辑   
OverFeat：基于卷积网络的集成识别、定位与检测 XiaoNiuFeiTian 2019-11-25 16:10 阅读:429 评论:0 推荐:0 编辑   
You Only Look Once Unified, Real-Time Object Detection（你只需要看一次统一的，实时的目标检测） XiaoNiuFeiTian 2019-11-22 16:25 阅读:165 评论:0 推荐:0 编辑   
cuDNN XiaoNiuFeiTian 2019-02-01 21:43 阅读:332 评论:0 推荐:0 编辑   
Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks（使用循环一致的敌对网络进行不成对的图像到图像转换） XiaoNiuFeiTian 2019-01-22 13:16 阅读:451 评论:0 推荐:0 编辑   
这可能是AI、机器学习和大数据领域覆盖最全的一份速查表 XiaoNiuFeiTian 2019-01-10 23:21 阅读:368 评论:0 推荐:0 编辑   
Matlab神经网络 XiaoNiuFeiTian 2018-10-25 20:56 阅读:266 评论:0 推荐:0 编辑   
LSTM(Long Short Term Memory) XiaoNiuFeiTian 2018-06-08 13:48 阅读:199 评论:0 推荐:0 编辑   
Recurrent Neural Network（递归神经网络） XiaoNiuFeiTian 2018-06-05 00:20 阅读:376 评论:0 推荐:0 编辑   
SqueezeNet:AlexNet-level Accuracy with 50x fewer parameters and less than 0.5Mb model size XiaoNiuFeiTian 2018-06-04 23:14 阅读:200 评论:0 推荐:0 编辑   
Densely Connected Convolutional Networks（緊密相連卷積網絡） XiaoNiuFeiTian 2018-06-04 17:34 阅读:159 评论:0 推荐:0 编辑   
FractalNet（分形网络） XiaoNiuFeiTian 2018-06-04 16:14 阅读:372 评论:0 推荐:0 编辑   
Network in Network(NiN) XiaoNiuFeiTian 2018-06-04 15:37 阅读:148 评论:0 推荐:0 编辑   
Deep Residual Learning for Image Recognition XiaoNiuFeiTian 2018-05-31 23:11 阅读:186 评论:0 推荐:0 编辑   
Training Very Deep Networks XiaoNiuFeiTian 2018-05-31 23:01 阅读:213 评论:0 推荐:0 编辑   
Highway Networks(高速路神经网络) XiaoNiuFeiTian 2018-05-29 14:05 阅读:5079 评论:0 推荐:0 编辑   
Understanding the Effective Receptive Field in Deep Convolutional Neural Networks XiaoNiuFeiTian 2018-05-21 19:26 阅读:958 评论:0 推荐:0 编辑   
CIFAR-10 模型 XiaoNiuFeiTian 2018-05-14 23:18 阅读:157 评论:0 推荐:0 编辑   
斯坦福大学公开课 视觉识别卷积神经网络 XiaoNiuFeiTian 2018-01-06 22:28 阅读:1012 评论:0 推荐:0 编辑   
1 2 下一页
< 2025年3月 >
日 一 二 三 四 五 六
23 24 25 26 27 28 1
2 3 4 5 6 7 8
9 10 11 12 13 14 15
16 17 18 19 20 21 22
23 24 25 26 27 28 29
30 31 1 2 3 4 5

点击右上角即可分享
微信分享提示