【神经网络】卷积神经网络理论

四、卷积神经网络

4.1 卷积与图像去噪

image-20211002113141735

里面每一个1/9 做成一个模板称为卷积核

image-20211002153610927

:在卷积的过程中,要把卷积核(模板)翻转180°再进行滤波;如果没有翻转称为相关

1、卷积的性质:

叠加性:filter(f1+f2)=filter(f1)+filter(f2)
平移不变形:filter(shift(f))=shift(filter(f))
交换律、结合律、分配率、标量

卷积操作后的图像要小于输入时图像,通过边界填充,可以实现卷积前后图像尺寸不变。

image-20211002154641505

image-20211114154638374

:深度学习在边界全填充0称为zero padding,还可以拉伸或者镜像填充

卷积是图像处理中一个基础而重要的图像操作,可以实现平移、平滑、锐化image-20211002155808294image-20211002160150181image-20211002160233828image-20211002160305938

2、高斯卷积核(高斯滤波:线性滤波器):
高斯卷积核(解决平均卷积存在的问题)

image-20211002161605978

image-20211002163221638

image-20211002163835316image-20211002164328622image-20211002164548561

卷积核参数小结:

image-20211002165000221

高斯卷积核的特性:

1,去除图像中的“高频”成分(低通滤波器)。
2,俩个高斯卷积核卷积后得到的还是高斯卷积核。
(1)使用多次小方差卷积核连续卷积,可得到与大方差卷积核相同的结果。
(2)使用标准差为σ 的高斯核进行俩次卷积与使用标准差σ√2 的高斯核进行一次卷积相同。(√σ1²+σ2²)

3,可分离,可分解为两个一维高斯的乘积。
image-20211002170122960

卷积操作的运算量:用尺寸m x m的卷积核卷积一个尺寸n x n的图像,计算复杂度为 O(n²m²)

image-20211002171451723

3、图像噪声与中值滤波器(非线性滤波器):

image-20211002172359521

高斯噪声:

image-20211002172535399

减小高斯噪声:高斯噪声比较大的时候σ ,也使卷积核σ 也大。

通过高斯卷积去噪去不掉椒盐噪声脉冲噪声

中值滤波器(非线性滤波器):

image-20211003171032731

4.2 卷积与边缘提取

image-20211003172023651

边缘的种类:

image-20211003172320814

image-20211003172618381

image-20211003173028133image-20211003173355718

image-20211003173455725

梯度的模值 :模值越大,说明是边缘的可能性越大。image-20211003173853311

噪声对求边缘的影响:

image-20211003174034530image-20211003174108561

改进:对高斯卷积核先求导,节省了一次卷积image-20211003174323469

总结:image-20211003175021967image-20211003175058376

非极大值抑制(让边变细):

image-20211003175948576

image-20211003175436285
image-20211003175813647

Canny边缘检测器(双阈值)(解决有噪声的边):

image-20211003180050877

image-20211003180346371

4.3 纹理表示

image-20211005210633032

1、基于卷积核组的纹理表示法:

思路:利用卷积核组提取图像中的纹理基元;利用基元的统计信息来表示图像中的纹理。(边不好描述纹理)

image-20211005211255137

image-20211005211317302

image-20211005211520819

image-20211005211853077

2、纹理分类任务(忽略纹理的位置):

关注出现哪种基元对应的纹理以及基元出现的频率。image-20211005212646657

图像表示向量的维数和卷积核个数相同。image-20211005212310103

3、卷积核组的设计:

**设计重点:**1、卷积核类型(边缘、条形以及点状)2、卷积核尺度(3-6个尺度)3、卷积核方向(6个角度)image-20211005213136178image-20211005213332936

下面我们把纹理表示(纹理核生成的过程交给卷积神经网络)

4、卷积神经网络:

image-20211005214433490

全连接神经网络的瓶颈:

image-20211005215529429

卷积神经网络组成:CONV(卷积层)、RELU(激活层)、POOL(池化层)、FC(全连接层)

卷积网络中的卷积核(HxWxD维):

image-20211005220152120

image-20211005220400257

image-20211005220639637image-20211005220738550image-20211005221833467

注:卷积核中的D 等于前面图像决定的。

卷积步长:

image-20211005221950599image-20211005222001364image-20211005222100241

换算关系:image-20211005222304651

考虑边界填充(解决越卷越小的问题):

image-20211005222626583

填多少保持与之前大小不变:image-20211005222724136

卷积层设计总结:

image-20211005223244067

池化层(把特征图尺寸变小):

image-20211005223525964

池化作用:(把特征图尺寸变小)对每一个特征响应图独立进行,降低特征响应图组中每个特征响应图的宽度和高度,减少后续卷积层的参数的数量,降低计算资源耗费,进而控制过拟合。image-20211005224349350

image-20211005224752709

eg:图中最大池化后,特征响应图中的75%的响应信息都丢掉,但不改变特征响应图的个数。

训练过程:图像增强

image-20211005225856625

image-20211005230050931image-20211005230108430image-20211005230354218

  • 2
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 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

打赏作者

Koma_zhe

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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