图像处理理论和应用---深度学习和卷积神经网络

最新推荐文章于 2023-03-18 20:46:25 发布

TKE_kolento.

最新推荐文章于 2023-03-18 20:46:25 发布

阅读量900

点赞数

本文链接：https://blog.csdn.net/weixin_46414576/article/details/105833886

版权

本文介绍了卷积神经网络（CNN）的起源、结构和核心概念，包括卷积、池化、全连接层。CNN在图像处理中有出色表现，通过局部感知和参数共享实现图像不变性，常用于模式分类。卷积层提取特征，池化层减少维度，全连接层进行分类。深度学习与CNN的发展，如AlexNet、VGGNet、GoogLeNet和ResNet等，推动了图像识别技术的进步。

摘要由CSDN通过智能技术生成

深度学习和卷积神经网络
卷积神经网络介绍
• 卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现。它包括卷积层（convolution layer），池化层（pooling layer）和全连接层（fully connected layer）。
• 20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低前馈神经网络的复杂性，继而提出了卷积神经网络。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理而可以直接输入原始图像，因而得到了更为广泛的应用。
在这里插入图片描述

卷积
• 信号与线性系统：
在这里插入图片描述

• 矩阵论：
在这里插入图片描述

• 深度学习：
在这里插入图片描述

单卷积核计算
• 卷积计算描述
在这里插入图片描述

• 卷积计算结果演示
在这里插入图片描述

深度学习卷积的重要概念
• 卷积核（convolution kernel）：根据一定规则进行图片扫描并进行卷积计算的对象称为卷积核。卷积核可以提取局部特征。
• 卷积核尺寸（kernel size）：卷积核是一个3维的矩阵，可以用一个立方体表示，宽w，高h，深度d。深度d由输入的通道数决定，一般描述卷积核尺寸时，可以只描述宽w和高h。
• 特征图（feature map）：经过卷积核卷积过后得到的结果矩阵就是特征图。每一个卷积核会得到一层特征图，有多个卷积核则会得到多层的特征图。
• 特征图尺寸（feature map size）：特征图也是一个3维的矩阵，可以用一个立方体图示，宽w，高h，深度d。深度d由当前层的卷积核个数决定，一般描述特征图尺寸时，可以只描述宽w和高h
• 步长（stride）&#x