卷积神经网络(CNN)在银行业务中可用于验证码识别，构建多层CNN进行字符特征提取。CNN在立体匹配、多视图重建等方面有改进空间，如SurfaceNet的3D代价体优化。此外，CNN还可用于形状识别、人脸检测和文字识别，其全连接层参数通过训练样本确定，适应不同条件下的图像处理任务。
在未来在银行业务范国中,你设想可以用到 卷积神经网络的应用有什么?
可以应用于网上银行验证码的识别。首先随机产生带有四个数字或字母的图片输入到定义的CNN网络中进行训练，在代码中可自行定义训练精确度达到多少时停止训练保存模型。最后用保存好的模型进行预测即可。
通过构建多层卷积神经网络，并选取Relu函数为非线性激励函数，对验证码图片进行字符特征提取与验证码的识别。
谷歌人工智能写作项目：神经网络伪原创
卷积神经网络 有哪些改进的地方
卷积神经网络的研究的最新进展引发了人们完善立体匹配重建热情文案狗。从概念看，基于学习算法能够捕获全局的语义信息，比如基于高光和反射的先验条件，便于得到更加稳健的匹配。
目前已经探求一些两视图立体匹配，用神经网络替换手工设计的相似性度量或正则化方法。这些方法展现出更好的结果，并且逐步超过立体匹配领域的传统方法。
事实上，立体匹配任务完全适合使用CNN，因为图像对是已经过修正过的，因此立体匹配问题转化为水平方向上逐像素的视差估计。
与双目立体匹配不同的是，MVS的输入是任意数目的视图，这是深度学习方法需要解决的一个棘手的问题。
而且只有很少的工作意识到该问题，比如SurfaceNet事先重建彩色体素立方体，将所有像素的颜色信息和相机参数构成一个3D代价体，所构成的3D代价体即为网络的输入。
然而受限于3D代价体巨大的内存消耗&#x
最低0.47元/天 解锁文章
786
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
