1.为什么通过训练卷积神经网络可以实现图像的分类和目标的检测?在CNN中训练W的意义是什么?
个人理解:在传统的图像处理方法中,当我们要检测图像的边缘时,通常需要用到Sobel、Robert算子,这些算子的本质就是一个滤波器,构成它们的关键是确定滤波器中各点的权值。当确定了一些权值后,就可以实现水平检测、垂直检测等。而卷积神经网络就是通过使用梯度下降的方式不断更新,确定这些权值,W就相当于是图像处理中的算子/滤波器。
在目标检测任务中,传统的目标检测方法包含预处理、窗口滑动、特征提取、特征选择、特征分类、后处理等步骤,而卷积神经网络本身具有特征提取、特征选择和特征分类的功能。那么,可以 直接利用卷积神经网络对每个滑动窗口产生的候选区进行二分类,判断其是否为待检测目标。本文将这类方法称为基于分 类的卷积神经网络目标检测。相比于传统目标检测的六个步骤,基于分类的卷积神经网络目标检测只有: 窗口滑动,产生候选区域(region proposals),对候选区域图像分 类,后处理三个步骤,而且窗口滑动和后处理都是固定的方法。因此,该类方法的研究重点在于如何提升卷积神经网络的特征 提取能力、特征选择能力以及特征分类能力,以提高图像识别的准确度。这类算法的典型代表是基于region proposal的R-CNN系算法,如R-CNN,Fast R-CNN,Faster R-CNN等。
(链接:https://blog.csdn.net/weixin_45741779/article/details/107610134)