卷积神经网络各层详解以及研究思考

目录

卷积神经网络(CNN)简介

各层详解

卷积层

激活函数

池化层

全连接层

卷积神经网络领域的研究思考

网络架构创新

计算效率优化

结合性

小样本学习

应用于特定领域的深入研究


卷积神经网络(CNN)简介

在图像处理之中有出色的表现

  • 空间特征的提取:图像是由像素的空间排列组成的,而CNN能够通过其卷积层有效地提取这些空间特征
  • 参数共享提高效率,减少模型复杂度:在卷积层中,相同的卷积核(滤波器)被应用于整个图像,这意味着无论图像多大,学习的参数数量都保持不变。这种参数共享机制不仅减少了模型的复杂度,还提高了模型的训练效率
  • 多层结构提取不同特征:CNN通常包含多个卷积层,每个层专注于不同级别的特征提取。浅层可能关注基本特征如边缘和颜色,而更深层则能识别更复杂的模式,如对象的特定部分或整体结构
  • 适应性强:CNN能够处理不同尺寸和分辨率的图像,并在多种图像相关任务中表现出色,如图像分类、目标检测、图像分割等
  • 对于局部进行感知,再将局部信息综合起来得到全局信息

包括

  • 输入层(input layer)
  • 卷积层(convolution layer)
  • 激活函数(activation function)
  • 池化层(pooling layer)
  • 全连接层(fully connected layer)
  • 输出层(output layer)

各层详解

输入层顾名思义,输出层的神经元数量即为需要分类的数量

卷积层

从左往右,再从上到下遍历处理图像,具有卷积核大小、填充(图像长宽两侧填充的数字,常用0)、步长(每次移动的行列数)等常用参数。整个图像的所有元素都“共享”了权重参数的计算

具有单通道单卷积核计算以及多通道多卷积核计算两种计算模式

核心作用提取图像特征

        不同卷积核能得到不同层次图像特征信息

        上图取用的是6个5*5卷积核,几个卷积核就能提取几张特征图,尺寸大小计算为28−5+1=24

激活函数

简单的理解:卷积是线性变换,激活函数则是非线性映射(变换),负责对卷积层抽取的特征进行激活(卷一次激活一次)

本质作用:引入非线性,使得神经网络能够学习和表示更复杂的函数,提高模型的拟合能力

池化层

减少特征图的空间维度,保留主要的特征,减少数据和参数的量,有助于提高模型的泛化能力并减少过拟合的风险(因为减少了对特定训练样本的依赖,就可以更好的泛化到新数据)

全连接层

将前面层提取的特征信息进行综合和汇总,即将将最后得到的特征映射到线性可分的空间(变成一条长的列向量),并且常配一个softmax激活函数

卷积神经网络领域的研究思考

网络架构创新

有许多不同的网络架构,处理的效果也有很多不同。可以设计更有效,更精确的CNN架构,例如通过改进层结构、引入新的激活函数或者优化其连接模式

计算效率优化

研究轻量级和高效的CNN模型,以适应资源受限的环境,例如移动设备和嵌入式系统。

结合性

结合强化学习,其他神经网络,自注意力机制等去研究

小样本学习

研究如何在仅有有限数据的情况下有效地训练CNN,这包括零样本学习和少样本学习等技术。

应用于特定领域的深入研究

将CNN应用于特定领域的深入研究,如医疗图像分析、自动驾驶车辆的视觉系统、自然语言处理等。

  • 23
    点赞
  • 25
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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