檢索結果：共66筆資料 檢索策略： cadvisor.raw="吳怡樂"
個人化服務 ：
排序：
每頁筆數：
已勾選0筆資料
1
在過去深度圖像的去雜訊方法通常是針對雜訊種類套用特定模組來去除，而近年來在一般圖像的去雜訊上越來越多使用深度學習的方法，因此在此篇論文中我們嘗試使用深度學習，利用深度卷積神經網路針對深度圖像進行去雜…
2
近年來，在物件檢測與辨識上最常用到的方法是深度學習，而在深度學習的過程中最重要的東西就是在訓練過程中的數據集。但是當我們仔細瀏覽這些用來訓練的數據集會發現這些數據集都是在晴朗的白天而且簡單的環境下記…
3
在過去，人們通常使用皮膚特徵提取或上下文的關鍵詞，並組合多個過濾器來辨識令人反感的圖像。深度學習雖能提高辨識程度，卻相對需要大量訓練集及冗長的訓練時間。隨著硬體和新演算法的研究發展，這些問題逐漸得到…
4
使用深度學習，我們很容易地可以分辨圖片的正確性，由於房間室內場景的圖片每一種都很相似，所以需要大量的資料和時間來進行辨識，來提高準確率。因此我們使用遷移學習來改善我們的神經網路，從已經預先訓練好的模…
5
過去，我們使用傳統影像特徵，如:HOG或SIFT…等，來進行電腦視覺的學習與偵測。但隨著硬體的快速發展，過去需要訓練大量參數的卷積神經網路得以更加深化。在本文中，我們探討使用預訓練的深度卷積神經網路…
6
近年來的研究已經指出使用卷積神經網路(CNN)來進行圖片分類極為有效，這是因為卷積神經網路是依照資訊的結構性來進行訓練。也有一些研究[1]試著將卷積神經網路應用在非圖片資訊的使用上，想要知道在非圖片…
7
在過去，分辨人種的不同通常是使用面部特徵擷取和淺層學習像是decision trees， SVM，Naive Bayes 等等。深度學習通常都需要花費大量的時間來訓練。但隨著硬體的進步以及新的演算法…
8
在過去不良圖片的辨識通常利用皮膚特徵或是圖片附註的關鍵字描述搭配多個過濾器進行過濾。深度學習通常都需要花費大量的時間來訓練，。隨著硬體的進步以及新的演算法不斷提出，訓練時間問題漸漸緩解。深度卷積神經…
9
近幾年搭載著深度感測器的攝影機是一種趨勢。在傳統只有顏色的影像上加入了深度資訊，使得互動式應用程式的發展得以更加卓越。這種由彩色感測器與深度感測器結合而成的RGB-Depth攝影機，如果要有效地結合…
10
深度學習的通常都需要極大量的時間去訓練一個完整的模組在某個數據上。與目前跑深度學習非機密單位使用的最好的圖形處理器Telsa K40相比較，我們的速度大概慢了兩倍至三倍。而速度是可以取決在圖形處理器…