CNN的典型特性

本文详细介绍了卷积神经网络(CNN)的位移、尺度、旋转和视角不变性等关键特性,探讨了CNN如何通过卷积核、池化层和数据增强来应对这些不变性挑战,以实现更鲁棒的图像识别。
摘要由CSDN通过智能技术生成

以下文章摘录自:

《机器学习观止——核心原理与实践》

京东: https://item.jd.com/13166960.html

当当:http://product.dangdang.com/29218274.html

(由于博客系统问题,部分公式、图片和格式有可能存在显示问题,请参阅原书了解详情)

 

1.1        CNN的典型特性

除了前面小节所阐述的典型特征以外,我们还应该关心卷积神经网络的如下特征,以保证模型的鲁棒性:

l  位移不变性

l  尺寸不变性

l  旋转不变性

等等

1.1.1        CNN位移不变性

位移不变性很好理解,它指的是无论物体在图像中的什么位置,卷积神经网络的识别结果都应该是一样的。

例如下面这两张输入图像中的cat:

图  位移不变性

 

上图左侧中的猫在图像中的位置偏右,而右侧中的猫在图像中的位置偏左——如果物体在图像中所处的位置,对于模型的预测结果不会产生任何影响,那么我们就可以说它具备了位移不变性。

那么神经网络是否具备这一关键的特性呢?

我们先来分析一下一个普通的神经网络中的情况。如下图所示:

图  一个全连接神经网络范例——SimpleNet1

 

在上图所描述的神经网络中,输入层有25个节点,拥有若干中间隐藏层,且各层之间都采用全连接的方式来组建,最终输出层的节点数量则是两个。

我们假设需要训练上述模型来识别一个十字的形状,如下图所示是它的training set中几个元素的直观展示:

  • 3
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 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
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