基于CNN方法提高识别准确性
最终测试结果:
首先是对CNN的学习
卷积神经网络有三个操作,分别是卷积,池化和全连接
卷积层:卷积层的功能是对输入数据进行特征提取,其内部包含多个卷积核,组成卷积核的每个元素都对应一个权重系数和一个偏差量。
池化层:在卷积层进行特征提取后,输出的特征图会被传递至池化层进行特征选择和信息过滤。
全连接层:卷积神经网络中的卷积层和池化层能够对输入数据进行特征提取,全连接层的作用则是对提取的特征进行非线性组合以得到输出,即全连接层本身不被期望具有特征提取能力,而是试图利用现有的高阶特征完成学习目标。
在初步了解过后,我发现卷积层就是负责特征提取,提取质量与提取效率取决于过滤器方法写的怎么样。但无论怎么写,卷基层提取出来的数据一定是巨量的,这是需要池化层对信息进行过滤,提取其中的主要特征。就是将输入图像进行缩小,只保留重要信息。最后把信息交给全连接层。前面通过卷积和池化层得出的特征,在全连接层对这些总结好的特征做分类
虽然理解了CNN的原理,但是直接实践还是很困难,多亏群内大佬帮忙才跑通了这个baseline。
原baseline链接:AI夏令营 - CV实践教程