揭开神经网络的面纱---CNN explainer
参考资料
- <数字图像处理>第三版第十一章,第十二章
- <opencv3 计算机及视觉 python语言实现> 第二版第三章
前言
通过本文,您将学到:
- 数字图像处理基本方法
- 模式识别,神经网络,CNN基本概念
- 神经元模型, 感知机
- CNN发展与分析
模式识别
数字图像处理
from: (<opencv3 计算机及视觉 python语言实现> 第二版第三章)
- 色彩空间域增强hsv变换,色彩空间转换
- 高通滤波器HPF和低通滤波器LPF
- 模糊函数和边缘检测函数
表示和描述:
from: (<数字图形处理>第三版第十一章)
- 表示
- 外部表示: 如果关注形状特征
- 内部表示:关注颜色或者纹理等
- 边界追踪算法
- 边界描述子
- 区域描述子
- 尺度不变特征变换SIFT
特征表示方法
- 特征向量
- 串和树(描述结构)
opencv实现
(此处NULL)
感知机 (神经网络基本单元)
推荐一个网站: 神经网络游乐园
- FC计算
缺点:
- 无法解决XOR问题
参考博客
零基础入门深度学习(1) - 感知器
CNN处理方法
CNN的特点
- 局部感知: 感知大小通过卷积核大小设置超参
- 权值共享: 卷积核的参数共享给输入feature map layer运算
- 减少了参数量,符合人类视觉的特点
- 参考博客: 卷积动画详解
CNN特征提取
卷积核对input layer每一层特征进行卷积运算,求和输出结果,但是参数量依然很大,mobilnet使用depthwise-separable conv降低参数量,可部署到边缘设备.
参考博客:
CNN-mobilnet系列论文解读与应用
CNN可视化— CNN explainer
CNN explainer
作者大佬Zijie (Jay) Wang个人博客
论文
传送门:
前端知识
部署
查看分析: http://192.168.88.237:5000
- conv+relu
- max pooling
- FC层
demo — 以MNIST为例
cnn应用代码
CNN设计思路
参考博客:
CV综述图像分类整理—目录