计算机视觉中的深度学习7: 卷积神经网络

最新推荐文章于 2021-03-04 11:38:37 发布
最新推荐文章于 2021-03-04 11:38:37 发布
阅读量494 收藏 1
点赞数 1
分类专栏： 机器学习与数学模型
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/u013007900/article/details/108257532
版权

Slides：百度云 提取码: gs3n

之前说了全连接神经网络，说了线性分类，这些东西全都没有保留图片原本的2D特性，全都是将图片转化为1D的数组。

而今天说的CNN，则是能更好地保留图片的2D特性，在CV中有着更广泛地运用。

卷积层

对于一个32x32x3的一个图片，全连接层将它平摊成一个3072x1的数组
在这里插入图片描述
对于同样的图片，卷积层则是这么做的

它通过一个和输入图片同样高的filter，让filter与输入图片进行卷积，得出了一个28x28x1的新的图片
在这里插入图片描述
同时，我们可以有多个filter，从而产生多个输出图片

那么这儿共有6个filter，输出则是6组图像，你可以将这6组图像当做一个6x28x28的三维新图片
在这里插入图片描述
将其串联起来就是如下的结构
在这里插入图片描述

输入输出的大小关系

我们可以明显得看出来

  1. 关于高度
    1. 输出的高度与输入的高度无关，只与filter的个数有关
    2. filter的高度和输入的高度一致
  2. 关于长宽
    1. 输入的长W，filter长K，输出则为 W − K + 1 W-K+1 W−K+1
    2. 同理宽

我们可以看到经过多轮卷积层的处理，图片会越来越小，每次特征图片的处理都会损失更一些大小。这样可能会造成，对于一个太深的神经网络，处理到后期，图片就变成1x1的大小而无法被处理了。

Padding

在图片周围加入一些0

在这里插入图片描述

  1. 关于长宽的计算
    1. 输入的长W，filter长K，padding大小P，输出则为 W − K + 1 + 2 P W-K+1+2P
最低0.47元/天 解锁文章
SuPhoebe
关注
专栏目录
深度学习：卷积神经网络CNN
08-07
卷积神经网络（Convolutional Neural Network，简称CNN）是深度学习领域中至关重要的一种神经网络模型，主要用于图像处理、计算机视觉、语音识别和自然语言处理等多个领域。CNN的设计灵感来源于生物视觉系统的结构，...
卷积神经网络(cnn)的体系结构
weixin_30624825的博客
08-10 351
译者注 内容有部分增加与补充,阅读原文请点击这里 原作者的文章其实更利于读者对卷积本身的理解,但是实际上作者对卷积的现实意义的理解并没有解释的十分清楚,甚至可能不利于堵着的理解,也正因为如此我在翻译过程中可能对原文进行了比较大的改动,希望这对你有帮助. 实际上上卷积神经网络是来自神经学的研究,其计算过程实际上模拟了视觉神经系统的运算过程.这一部分内容其...
用TensorFlow实现卷积神经网络中的池化层
DATA8866的博客
03-14 3442
卷积神经网络中卷积层之间往往会加上一个池化层。池化层可以非常有效的缩小矩阵的尺寸，从而减少最后全连接层中的参数。使用池化层既可以加快计算速度，也可以有防止过拟合问题的作用。 池化层前向传播的过程也是通过移动一个类似过滤器的结构完成的。不过池化层过滤器中的计算不是节点的加权和，而是采用更加简单的最大值或者平均值运算。使用最大值操作的池化层被称为最大池化层，这是被使用的最多的池化层结构
【TensorFlow】tf.nn.max_pool 池化层函数
McGregorWwww的博客
04-25 1080
  池化层（pooling）     卷积神经网络中，池化层可以有效缩小矩阵的尺寸，既可以加快计算速度，也可以防止过拟合   常用的池化层有两种：最大池化层(max pooling) 以及 平均池化层(average pooling)   池化层的过滤器与卷积层类似，卷积层的过滤器是横跨整个深度的，而池化层的只影响当前深度的一个节点，所以池化层的过滤器要在长、宽以及深度这三个维度上...
池化层理解
热门推荐
shuijinghua的博客
04-15 9万+
参考网址： https://www.zhihu.com/question/36686900/answer/130890492 https://www.cnblogs.com/skyfsm/p/6790245.html 池化层夹在连续的卷积层中间， 用于压缩数据和参数的量，减小过拟合。 简而言之，如果输入是图像的话，那么池化层的最主要作用就是压缩图像。 下采样层也叫池化层，其具体操作与卷积层...
深度学习之池化层
UHL1107的博客
03-04 1468
注：借鉴整理，仅供自学 对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征。 池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果（不易出现过拟合）。 评估特征提取的误差主要来自两个方面：（1）邻域大小受限造成的估计值方差增大，average能减小这种误差。（2）卷积层参数误差造成估计均值的偏移，max能减小这种误差。也就是说，average对背景保留更好，max对纹理提取更好。 1 最大池化 平移不变性 2 平均池化 ...
计算机视觉+深度学习+卷积神经网络(CNN)+图像识别与分析 卷积神经网络（CNN）是深度学习在计算机视觉领域的核心技术，主要
最新发布
03-21
### 计算机视觉与深度学习之卷积神经网络（CNN） #### 一、引言 随着计算机视觉技术的发展，深度学习尤其是卷积神经网络（CNN）成为了图像识别与分析的关键技术之一。CNN通过其特有的架构，即卷积层、池化层以及全...
深度卷积神经网络在计算机视觉中的应用研究综述_卢宏涛.pdf
11-20
深度卷积神经网络（CNNs）是现代计算机视觉领域中的核心技术，其兴起和发展与大数据时代的来临密切相关。CNNs因其复杂的网络结构，具有更强的特征学习和表达能力，相较于传统机器学习方法，尤其在图像处理任务中展现...
深度卷积神经网络的发展及其在计算机视觉领域的应用.pdf
06-03
综上所述，深度卷积神经网络作为深度学习中的核心技术和研究热点，在计算机视觉领域的应用已取得了巨大的成功和广泛的认可。其研究和发展的趋势仍将继续，未来或许能在更多领域中看到深度卷积神经网络所展现的潜力和...
【重磅】卷积神经网络为什么能称霸计算机视觉领域？
05-16
【重磅】卷积神经网络为什么能称霸计算机视觉领域？
深度学习笔记5：池化层的实现
l691899397的博客
08-19 3万+
池化层的推导 池化层的输入一般来源于上一个卷积层，主要作用是引入不变性，并且减少了冗余。池化层一般没有参数，所以反向传播的时候，只需对输入参数求导，不需要进行权值更新。 池化层的前向计算 前向计算过程中，我们对卷积层输出map的每个不重叠（有时也可以使用重叠的区域进行池化）的n*n区域（我这里为2*2，其他大小的pooling过程类似）进行降采样，选取每个区域中的最大值(max-
深度学习－池化层
weixin_38498942的博客
08-20 1401
池化层用于减少卷积神经网络模型上的空间尺寸，而不是深度，基本上这是您获得的： 1、通过减少空间信息，可以获得计算性能 2、较少的空间信息也意味着较少的参数，因此减少了过度拟合的机会 3、会得到一些翻译不变性 一些项目不使用池，特别是当他们想“学习”某些对象特定的位置时。 了解如何玩Atari游戏。 在下面的图中，我们显示了池化最大池层的最常见类型，它像普通的卷积一样滑动窗口，并在窗口上获得最大值作为输出。 最重要的参数： 输入：H1 x W1 x Depth_In x N 步幅：控制窗口滑动像素数量的标
最大池化层和平均池化层图解
微电子学与固体电子学-俞驰
01-21 1万+
转载自： https://www.jianshu.com/p/796d30d7dcca
Caffe学习系列(3)：视觉层（Vision Layers)及参数
weixin_33850890的博客
12-23 458
所有的层都具有的参数，如name, type, bottom, top和transform_param请参看我的前一篇文章：Caffe学习系列(2)：数据层及参数 本文只讲解视觉层（Vision Layers)的参数，视觉层包括Convolution, Pooling, Local Response Normalization (LRN), im2col等层。 1、Convolution层： ...
4.2 Tensorflow笔记:池化函数
weixin_30570101的博客
08-04 589
池化 卷积神经网络的结构 其中,input为输入,conv为卷积层,由卷积核构成,pool为池层,由池化函数构成最后是全连接层与输出层,其负责对卷积层提取的特征进行处理以获得我们需要的结果 池化函数的意义 池化层的输入一般来源于上一个卷积层，主要作用是提供了很强的鲁棒性（例如max-pooling是取一小块区域中的最大值，此时若此区域中的其他值略有...
深度学习第五讲之池化层(Pooling layer)
zhaojianting的博客
04-27 4万+
转载请注明出处 　　在卷积神经网络中，卷积层之间往往会加上一个池化层。池化层可以非常有效地缩小参数矩阵的尺寸，从而减少最后全连层中的参数数量。使用池化层即可以加快计算速度也有防止过拟合的作用。 　　在图像识别领域，有时图像太大，我们需要减少训练参数的数量，它被要求在随后的卷积层之间周期性地引进池化层。池化的唯一目的是减少图像的空间大小。池化在每一个纵深维度上独自完成，因此图像的纵深保持不变。池...
ROI Pooling层详解
AUTO1993的博客
11-12 7万+
ROI Pooling层详解 原文链接：https://blog.deepsense.ai/region-of-interest-pooling-explained/ 目标检测typical architecture 通常可以分为两个阶段： （1）region proposal：给定一张输入image找出objects可能存在的所有位置。这一阶段的输出应该是一系列object可能位置
TensorFlow - 池化层
flyfish
02-05 1400
TensorFlow - 池化层 flyfish 部分代码 M = np.array([ [[1], [2], [5], [6]], [[3], [4], [7], [8]], [[9], [10],[11],[12]], [[13],[14],[15],[16]] ]) tf.nn.max_pool(x, ksize=[1, 2, 2, 1], stri
深度学习：卷积神经网络（CNN）在计算机视觉中的应用解析
"这篇文档是关于卷积神经网络（CNN）在计算机视觉领域的应用和原理的简介。文章探讨了为何CNN对于图像处理任务至关重要，尤其是针对图像大小和位置不变性的需求。通过介绍典型的数据集MNIST，展示了CNN相对于传统...
评论
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