Convolutional Neural Networks笔记(一)

Convolutional Neural Networks笔记(一)

第一周第二节课(Edge Detection Example)
第一周第三节课(More Edge Detection)

1. Edge Detection Example

这里写图片描述

上述的滤波器是垂直边界检测器,用来检测图像中的垂直边界的信息。下面说明该样式滤波器如何检测出垂直边界信息。

这里写图片描述

在原始图像中,左侧是白色,右侧是黑色,两者中间有一条边界。对应经过卷积后,特征图中最亮的区域对应的就是原始图像中边缘所在的对应位置(即原始图像的边界在其中间位置)。那么当原始图像如何时,才会被检测出有垂直边界信息呢? 根据滤波器的样式,当原始图像左侧较亮(像素值大), 右侧较暗(像素值小)时,会检测出该位置具有垂直信息。

2.More Edge Detection

滤波器可以区分亮到暗的边界和暗到亮的边界
这里写图片描述
如图所示,滤波器不变的情况下,当图像明暗转换,则特征图中边缘信息的像素值正好取反。下面看看水平边缘检测滤波器的作用效果:
这里写图片描述
但是为了去检测复杂的图像,仅仅使用现有的这些滤波器是不够用的,所以CNN中将滤波器设置为参数,进行学习:
这里写图片描述

这些都是吴恩达老师在视频的中讲解,我只是纪录下来,以供以后复习。课程地址

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习-面向视觉识别的卷积神经网络,2016斯坦福大学公开课。课程介绍: 计算机视觉在社会中已经逐渐普及,并广泛运用于搜索检索、图像理解、手机应用、地图导航、医疗制药、无人机和无人驾驶汽车等领域。而这些应用的核心技术就是图像分类、图像定位和图像探测等视觉识别任务。近期神经网络(也就是“深度学习”)方法上的进展极大地提升了这些代表当前发展水平的视觉识别系统的性能。 本课程将深入讲解深度学习框架的细节问题,聚焦面向视觉识别任务(尤其是图像分类任务)的端到端学习模型。在10周的课程中,学生们将会学习如何实现、训练和调试他们自己的神经网络,并建立起对计算机视觉领域的前沿研究方向的细节理解。最终的作业将包括训练一个有几百万参数的卷积神经网络,并将其应用到最大的图像分类数据库(ImageNet)上。我们将会聚焦于教授如何确定图像识别问题,学习算法(比如反向传播算法),对网络的训练和精细调整(fine-tuning)中的工程实践技巧,指导学生动手完成课程作业和最终的课程项目。本课程的大部分背景知识和素材都来源于ImageNet Challenge竞赛。 主讲人: 李飞飞,斯坦福大学计算机科学系副教授。担任斯坦福大学人工智能实验室和视觉实验室主任,主要研究方向为机器学习、计算机视觉、认知计算神经学。她在TED上的演讲,如何教计算机理解图片。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值