卷积神经网络(特征提取)
一、可以完成的任务
1.检测任务
2.分类与检索
主要工作还是进行特征的提取。
3.超分辨率重构
4.医学任务等(OCR文字试别)
5.无人驾驶(就是识别前方道路)
6.人脸识别
区别:卷积网络与传统网络的区别
整体框架
二、卷积层
1.卷积层做了什么事
对于不同区域的得到的特征是不一样的,选择一种计算的方法,对于每一个小区域计算它应该的特征值是多少。
2.卷积特征值计算方法
三通道分别计算然后相加。(R、G、B)
(蓝色和红色的)对应位置相乘! 然后相加获得。
最终获得特征图表示
卷积中可以堆叠卷积
步长与卷积核大小对结果的影响:步长越小,提取的特征越丰富,计算的效
率比较慢。在文本卷积中,步长并不一定;
尺寸与卷积核大小对结果的影响:尺寸越小,提取的特征越丰富;
边缘填充:( 最外围的数据用的比较少,通过在最外围外面在添一圈零,减少数据的损失!)
卷积核个数:(最终得到的特征图)
三、池化层(simple压缩,宽高减少)
1.最大池化(max pooling)![请添加图片描述](https://img-blog.csdnimg.cn/3fec044f23634bd7b2f5674cfc3766aa.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAd2VpeGluXzUxNTE2ODM2,size_18,color_FFFFFF,t_70,g_se,x_16)
每个位置把最大的取出来(即筛选,但是channel层次不变)
平均池化 即计算出平均特征取出!!
四、具体工作方式![请添加图片描述](https://img-blog.csdnimg.cn/5669abd00dac49fea04efa9cc8818176.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAd2VpeGluXzUxNTE2ODM2,size_18,color_FFFFFF,t_70,g_se,x_16)
两次卷积,一次池化!主要是进行特征的提取。
最后完成转化为向量 实现分类结果的是全连接层!