卷积神经网络-CNN

https://cs231n.github.io/assets/conv-demo/index.html

网络模型训练三剑客:归一化,dropout,以及激活函数。

1:神经网络常见激活函数
请添加图片描述
请添加图片描述
2: 卷积神经网络
卷积核,padding,和stride步长。
请添加图片描述
Padding的作用,为了保证输入输出矩阵的形状不变。
请添加图片描述
Stride是步长。
请添加图片描述
多通道卷积:
请添加图片描述
3: 防止过拟合的方法
1:DropOut随机将节点的输出变成0。
2:DropConnect随机将WX中的W变成0。
3:DisOut随机将节点的赋予不同的权重(0~1之间)

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
人脸表情识别是一种人机交互的技术,可以通过分析人脸特征来识别和理解人的表情。为构建一个有效的人脸表情识别模型,可以使用深度卷神经网络u-net和局部监督卷神经网络ls-cnn进行设计。 首先,我们可以使用u-net作为特征提取和图像分类器的基础框架。u-net是一种能够有效处理图像语义分割任务的网络结构,其具有编码器和解码器两个部分。通过编码器,可以将输入的人脸图像逐渐降采样为低维度的特征图,提取人脸表情的主要特征。然后,通过解码器,将低维度特征图逐步上采样,并与编码器中对应层的特征图进行拼接,从而恢复原始图像的空间分辨率。最后,利用卷操作对特征图进行分类,得到人脸表情的分类结果。 其次,在u-net的基础上,我们可以引入局部监督卷神经网络ls-cnn来提升模型的识别性能。ls-cnn是一种结合全局信息和局部信息的网络结构,能够更好地捕捉人脸表情的细节特征。在ls-cnn中,可以在每个编码器和解码器的网络层之间引入子网络,用于局部特征的学习和融合。这样可以使模型更好地关注人脸表情的细微差别,提高识别的准确性和鲁棒性。 综上所述,构建基于深度卷神经网络u-net和局部监督卷神经网络ls-cnn的人脸表情识别模型能够充分利用深度学习的优势,提取人脸图像中的特征,并结合全局和局部信息来进行分类。这种模型可以有效地识别和理解人的表情,为人机交互和情感计算提供有力支持。

“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