卷积特征提取与池化（Pooling）——处理大型图像

最新推荐文章于 2024-08-09 11:30:29 发布
最新推荐文章于 2024-08-09 11:30:29 发布
阅读量1.8w 收藏 17
点赞数 3
分类专栏： UFLDL UFLDL 文章标签： Deep Learning UFLDL 深度学习 模式识别 池化
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ycheng_sjtu/article/details/38662785
版权
本文探讨了如何使用卷积特征提取和池化技术处理大型64*64*3的彩色图像，减少网络参数数量，降低分类器设计复杂度。通过卷积和池化操作，使得W数量和分类器输入特征数量显著下降。在训练和测试了飞机、汽车、猫、狗四类图像后，最终得到80.406%的准确率，实验结果令人满意。
摘要由CSDN通过智能技术生成

在之前的章节中，我们已经很好地解决了手写体识别问题（维数为28*28）。但如果是更大的图像（维数为96*96）呢？如果你还是要学习400个特征，那么网络权重参数就有400*96*96即近400万个。

 

 

卷积特征提取

如果我们从大型彩色图像（64*64*3）中随机抽取一些小patch（8*8），学到了一些特征，然后用这些特作为滤波器去扫过整张大图，即逐行逐列做卷积。这样做可以大幅减小网络参数W的数量，然而会使输入分类器的特征维数大幅度上升。

 

池化

池化是在卷积特征提取的基础上，对每个卷积特征进行取平均等，继续缩小隐藏节点对于的卷积特征维数，减小分类器的设计负担。

 

下面列表说明

原始图像为64*64*3的彩色图像

卷积特征提取采样8*8的patch

隐藏层节点数统一为400

最低0.47元/天 解锁文章
ycheng_sjtu
关注
专栏目录
YOLOv8改进 | SPPF | 双通道特征处理的池化结构——SPPFCSPC【全网独家】
kay_545
06-22 1706
yolov8，yolov8改进，SPPFCSP
卷积Convolution和池化pooling特征提取，分类
热门推荐
whiteinblue的专栏
03-26 1万+
前言： 　　本次实验是练习convolution和pooling的使用，更深一层的理解怎样对大的图片采用convolution得到每个特征的输出结果，然后采用pooling方法对这些结果进行计算，使之具有平移不变等特性。实验参考的是斯坦福网页教程：Exercise:Convolution and Pooling。也可以参考前面的博客：Deep learning：十七(Linear Decod
特征金字塔池化
古承风的博客
11-17 758
1. 特征金字塔池化 如上图所示： 将特征图的所有像素划分为n×nn\times nn×n个网格，并将其经过核为n×nn\times nn×n，步长为(n,n)(n,n)(n,n)的池化（可以选择最大池化或者平均池化） ； 经过较为密集的池化（$ 4\times 4）,形成）,形成）,形成N\times C\times n\times n的特征图，将其串联形成的特征图，将其串联形成的特征图，将其串联形成C\times*$的格式； 之后，在第2个步骤池化得到的特征图的基础上，取不同的nnn值，进行下一个池
最大池化操作
最新发布
RaltBergling的博客
08-09 419
最大池化（Max Pooling）是一种在卷积神经网络（CNN）中常用的操作，主要用于减小特征图的尺寸，从而降低计算量，同时保留最显著的特征。最大池化通过取局部区域内的最大值来减少特征图的空间维度（即宽度和高度），而不改变通道数。在数学上，就是在每次池化核进行匹配时，取出输入数组里面的最大数字,用于存储输入数据特征。从效果上来看，有效地缩小特征图的空间尺寸，减少模型的计算复杂度，同时保留图像的重要特征，实际观感就相当于打了一层马赛克。
特征空间池化 SPP
weixin_43444314的博客
05-13 157
这个是原文章，觉得讲得很好 import math import torch import torch.nn.functional as F class SPPlayer(torch.nn.Module): def __init__ = (self,num_levels,pool_type='max_pool'): super( SPPLayer ,self).__init__() self.num_levels = num_levels s
特征图水平池化
持之以恒
06-05 518
code import torch.nn as nn #input ->N * C * H * W class HorizontalMaxPool2d(nn.Module): def __init__(self): super(HorizontalMaxPool2d, self).__init__() def forward(self, x): inp_size = x.size() return nn.functional.max_.
医学图像处理医学图像处理-卷积神经网络卷积神经网络_图像处理——卷积神经网络运算过程详解...
weixin_39692037的博客
11-20 1260
卷积神经网络(Convolutional Neural Network, CNN)是一种前馈神经网络，是当今图像处理的主流技术。说起CNN卷积网络，不得不说2012 年Alex Krizhevsky 凭借它们赢得了那一年的 ImageNet 大赛(由斯坦福大学李飞飞发起的世界级人工智能大赛)，AlexNet将图像分类误差记录从 26% 降低到 15%，之后很多公司开始将深度学习作为的核心技术发展。...
深度篇—— CNN 卷积神经网络(二) 细说 池化(pooling) 与 反池化(unpooling)
天下所弃，不过其纪。世间事，在人，在志。
02-09 2717
返回主目录 返回 CNN 卷积神经网络目录 上一章：深度篇—— CNN 卷积神经网络(一)细说 cnn 卷积神经网络 下一章：深度篇—— CNN 卷积神经网络(三)关于 ROI pooling 和 ROI Align与 插值 本小节，细说 池化 与 反池化，下一小节细说 关于 ROI 与 插值 二. 池化层 (pooling layer) 1. 池化...
图像处理技术—— CNN卷积神经网络(Convolutional Neural Network) 的原理、基本原型、以及一些典型的应用
程序员光剑
08-30 1095
图像处理（Image Processing）或图像计算机视觉(Computer Vision)，是指对图像进行各种分析、处理、检索、识别的技术。图像处理常用的方法有基于模板匹配的方法、特征点检测的方法、形态学操作、轮廓查找、分割等。这些方法可以从多种角度对目标进行描述和分析，提高复杂场景下的目标识别、跟踪、检测、识别能力。此外，计算机视觉还涉及目标追踪、轨迹拟合、运动推测等多个领域。由于图像处理技术的广泛应用，使得机器学习在图像领域受到越来越多的关注。
实例理解卷积与池化操作前后的图像大小变化以及padding参数的含义
heshuaimin的博客
03-23 3582
** 实例理解卷积与池化操作前后的图像大小变化以及padding参数的含义 ** 引言 最近因为毕设在学卷积神经网络，一直比较困惑卷积或者池化操作以后图像如何发生变化。在网上查了不少资料，可以找到一些公式，但是并没有详细说明使用情境且很少实例讲解。因此我总结前人的工作，整理成一个博客，算是自己学习的一个记录，也希望能够帮助到一些CNN学习者。 我参考的博客有padding填充same 和vali...
池化：降维与特征整合的艺术
AI架构设计之禅
05-01 635
1. 背景介绍 1.1 深度学习中的特征提取 在深度学习的世界中,特征提取是一个至关重要的过程。神经网络的目标是从原始输入数据(如图像、文本或时间序列)中学习有意义的表示或特征。这些特征捕捉了输入数据的本质模式和结构,使得后续的任务(如分类或预测)能够更高效、更准确地执行。
3.2 特征图尺寸计算与参数共享|池化层的作用|整体网络架构|VGG网络架构|残差网络Resnet|感受野的作用
Micoreal的博客
01-23 851
个人学习笔记
pooling的作用以及各种不变性
lt1103725556的博客
12-02 2077
参考 CNN网络的pooling层有什么用？ - 谢志宁的回答 - 知乎 https://www.zhihu.com/question/36686900/answer/130890492 CNN网络的pooling层有什么用？ - 谢志宁的回答 - 知乎 https://www.zhihu.com/question/36686900/answer/130890492 CNN入门讲解：什么是采样层...
git 生成多个patch_ReID-CVPR2019[2]——基于Patch的可分辨特征无监督学习
weixin_34457338的博客
12-18 523
Patch-based Discriminative Feature Learning for UnsupervisedPerson Re-identification一、摘要尽管有可分辨的局部特征早已被用于有效地解决person ReID问题，但是需要大量昂贵的手工标注。本文提出了一种基于patch的无监督学习框架，以便从patch而不是整幅图像中学习识别特征，即利用patch之间的相似性来学习...
池化（Pooling）
weixin_49346755的博客
10-24 8957
在图像处理中，由于图像中存在较多冗余信息，可用某一区域子块的统计信息（如最大值或均值等）来刻画该区域中所有像素点呈现的空间分布模式，以替代区域子块中所有像素点取值，这就是卷积神经网络中池化(pooling)操作。池化操作对卷积结果特征图进行约减，实现了下采样，同时保留了特征图中主要信息。比如：当识别一张图像是否是人脸时，我们需要知道人脸左边有一只眼睛，右边也有一只眼睛，而不需要知道眼睛的精确位置，这时候通过池化某一片区域的像素点来得到总体统计特征会显得很有用。
深度学习：特征图的PCA、attention、patch、CFA、灰度共生矩阵
czmjy的博客
06-23 1503
深度学习：特征图的PCA、attention、patch、CFA、灰度共生矩阵
什么是patch？
am_student的博客
08-12 3053
定义：Patch是图像的一个子区域，它可以是正方形或矩形，并且具有固定的尺寸。通常情况下，这些尺寸是预定义的，并作为CNN的超参数进行设置。Patch的大小可以根据具体任务和数据集的要求进行调整。
卷积神经网络（CNN）详解：图像识别的利器
滤波器（Filter）或称核（Kernel）在图像上滑动，执行卷积运算，提取图像的特征。以一个6x6的图像和3x3的滤波器为例，滤波器在图像上按步长（Stride）滑动，一般步长为1，每次覆盖3x3的区域，进行卷积运算后得到新的...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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