综合实验---基于卷积神经网络的目标分类案例

已于 2023-07-03 23:21:40 修改
阅读量604 收藏 2
点赞数 1
文章标签： cnn 分类 人工智能
于 2023-07-03 23:15:35 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_52166467/article/details/131505150
版权

文章目录

配置环境

①首先打开 cmd，创建虚拟环境。

conda create -n tf1 python=3.6

如果报错：‘conda’ 不是内部或外部命令,也不是可运行的程序 或批处理文件。请在环境变量里添加Anconda3路径，如果没有Anconda3直接去官网下载就行了
具体步骤：我的电脑—右键属性—高级系统设置—环境变量—系统变量—Path—双击进入—新建—浏览—找到Anaconda和Scripts的路径添加，然后点击确定就好了。
在这里插入图片描述
②激活环境

activate
conda activate tf1

③安装 tensorflow、keras 库。

pip install tensorflow==1.14.0 -i “https://pypi.doubanio.com/simple/”
pip install keras==2.2.5 -i “https://pypi.doubanio.com/simple/”

④安装 nb_conda_kernels 包。

conda install nb_conda_kernels

⑤打开 Jupyter Notebook（tf1）按win查看
在这里插入图片描述
⑥点击【New】→【Python[tf1环境下的]】创建 python 文件。
在这里插入图片描述

猫狗数据分类建模

①下载猫狗数据
链接：https://pan.baidu.com/s/1nIDrl3ZFZCMpHzD3OmN7Mg
提取码：7vjj
下载完毕后，将其解压在无中文的目录下

②对猫狗图像进行分类

import os, shutil 
# 原始目录所在的路径
original_dataset_dir = 'F:\\maogou\\kaggle_Dog&Cat\\train\\'

# 数据集分类后的目录
base_dir = 'F:\\maogou\\kaggle_Dog&Cat\\train1\\'
os.mkdir(base_dir)

# # 训练、验证、测试数据集的目录
train_dir = os.path.join(base_dir, 'train')
os.mkdir(train_dir)
validation_dir = os.path.join(base_dir, 'validation')
os.mkdir(validation_dir)
test_dir = os.path.join(base_dir, 'test')
os.mkdir(test_dir)

# 猫训练图片所在目录
train_cats_dir = os.path.join(train_dir, 'cats')
os.mkdir(train_cats_dir)

# 狗训练图片所在目录
train_dogs_dir = os.path.join(train_dir, 'dogs')
os.mkdir(train_dogs_dir)

# 猫验证图片所在目录
validation_cats_dir = os.path.join(validation_dir, 'cats')
os.mkdir(validation_cats_dir)

# 狗验证数据集所在目录
validation_dogs_dir = os.path.join(validation_dir, 'dogs')
os.mkdir(validation_dogs_dir)

# 猫测试数据集所在目录
test_cats_dir = os.path.join(test_dir, 'cats')
os.mkdir(test_cats_dir)

# 狗测试数据集所在目录
test_dogs_dir = os.path.join(test_dir, 'dogs')
os.mkdir(test_dogs_dir)

# 将前1000张猫图像复制到train_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(train_cats_dir, fname)
    shutil.copyfile(src, dst)

# 将下500张猫图像复制到validation_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1000, 1500)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(validation_cats_dir, fname)
    shutil.copyfile(src, dst)
    
# 将下500张猫图像复制到test_cats_dir
fnames = ['cat.{}.jpg'.format(i) for i in range(1500, 2000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(test_cats_dir, fname)
    shutil.copyfile(src, dst)
    
# 将前1000张狗图像复制到train_dogs_dir
fnames = ['dog.{}.jpg'.format(i) for i in range(1000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(train_dogs_dir, fname)
    shutil.copyfile(src, dst)
    
# 将下500张狗图像复制到validation_dogs_dir
fnames = ['dog.{}.jpg'.format(i) for i in range(1000, 1500)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(validation_dogs_dir, fname)
    shutil.copyfile(src, dst)
    
# 将下500张狗图像复制到test_dogs_dir
fnames = ['dog.{}.jpg'.format(i) for i in range(1500, 2000)]
for fname in fnames:
    src = os.path.join(original_dataset_dir, fname)
    dst = os.path.join(test_dogs_dir, fname)
    shutil.copyfile(src, dst)

处理后新加了一个train文件
在这里插入图片描述
在这里插入图片描述
③查看分类后，对应目录下的图片数量：

#输出数据集对应目录下图片数量
print('total training cat images:', len(os.listdir(train_cats_dir)))
print('total training dog images:', len(os.listdir(train_dogs_dir)))
print('total validation cat images:', len(os.listdir(validation_cats_dir)))
print('total validation dog images:', len(os.listdir(validation_dogs_dir)))
print('total test cat images:', len(os.listdir(test_cats_dir)))
print('total test dog images:', len(os.listdir(test_dogs_dir)))

在这里插入图片描述
（猫狗训练图片各 1000 张，验证图片各 500 张，测试图片各 500 张。）

猫狗分类的实例基准模型

①构建网络模型：
先更新一下numpy

pip install numpy==1.16.4 -i "https://pypi.doubanio.com/simple/"

构建

#网络模型构建
from keras import layers
from keras import models
#keras的序贯模型
model = models.Sequential()
#卷积层，卷积核是3*3，激活函数relu
model.add(layers.Conv2D(32, (3, 3), activation='relu',
                        input_shape=(150, 150, 3)))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#卷积层，卷积核2*2，激活函数relu
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#卷积层，卷积核是3*3，激活函数relu
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#卷积层，卷积核是3*3，激活函数relu
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
#最大池化层
model.add(layers.MaxPooling2D((2, 2)))
#flatten层，用于将多维的输入一维化，用于卷积层和全连接层的过渡
model.add(layers.Flatten())
#全连接，激活函数relu
model.add(layers.Dense(512, activation='relu'))
#全连接，激活函数sigmoid
model.add(layers.Dense(1, activation='sigmoid'))

查看模型各层的参数状况

#输出模型各层的参数状况
model.summary()

在这里插入图片描述
②配置优化器

  • loss：计算损失，这里用的是交叉熵损失
    metrics：列表，包含评估模型在训练和测试时的性能的指标
from keras import optimizers

model.compile(loss='binary_crossentropy',
              optimizer=optimizers.RMSprop(lr=1e-4),
              metrics=['acc'])

③图片格式转化

  • 所有图片（2000张）重设尺寸大小为 150x150 大小，并使用 ImageDataGenerator 工具将本地图片 .jpg 格式转化成 RGB 像素网格，再转化成浮点张量上传到网络上。
from keras.preprocessing.image import ImageDataGenerator

# 所有图像将按1/255重新缩放
train_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
        # 这是目标目录
        train_dir,
        # 所有图像将调整为150x150
        target_size=(150, 150),
        batch_size=20,
        # 因为我们使用二元交叉熵损失，我们需要二元标签
        class_mode='binary')

validation_generator = test_datagen.flow_from_directory(
        validation_dir,
        target_size=(150, 150),
        batch_size=20,
        class_mode='binary')

在这里插入图片描述

  • 查看上述图像预处理过程中生成器的输出
    先安装 pillow 库
pip install pillow -i “https://pypi.doubanio.com/simple/”

查看

#查看上面对于图片预处理的处理结果
for data_batch, labels_batch in train_generator:
    print('data batch shape:', data_batch.shape)
    print('labels batch shape:', labels_batch.shape)
    break

④开始训练模型

#模型训练过程
history = model.fit_generator(
      train_generator,
      steps_per_epoch=100,
      epochs=30,
      validation_data=validation_generator,
      validation_steps=50)

在这里插入图片描述
⑤保存模型，结果可视化
保存模型

#保存训练得到的的模型
model.save('F:\\maogou\\kaggle_Dog&Cat\\cats_and_dogs_small_1.h5')

在这里插入图片描述

可视化

#对于模型进行评估，查看预测的准确性
import matplotlib.pyplot as plt

acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']

epochs = range(len(acc))

plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()

plt.figure()

plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()

plt.show()

在这里插入图片描述

⑥结果分析

  • 很明显模型上来就过拟合了，主要原因是数据不够，或者说相对于数据量，模型过复杂（训练损失在第30个epoch就降为0了），训练精度随着时间线性增长，直到接近100%，而我们的验证精度停留在70-72%。我们的验证损失在5个epoch后达到最小，然后停止，而训练损失继续线性下降，直到接近0。
  • 过拟合的定义： 给定一个假设空间 H HH，一个假设 h hh 属于 H HH，如果存在其他的假设 h ’ h’h’ 属于 H HH，使得在训练样例上 h hh 的错误率比 h ’ h’h’ 小，但在整个实例分布上 h ’ h’h’ 比 h hh 的错误率小，那么就说假设 h hh 过度拟合训练数据。
    举个简单的例子，( a )( b )过拟合，( c )( d )不过拟合，如下图所示：
    在这里插入图片描述
  • 过拟合常见解决方法：
    （1）在神经网络模型中，可使用权值衰减的方法，即每次迭代过程中以某个小因子降低每个权值。
    （2）选取合适的停止训练标准，使对机器的训练在合适的程度；
    （3）保留验证数据集，对训练成果进行验证；
    （4）获取额外数据进行交叉验证；
    （5）正则化，即在进行目标函数或代价函数优化时，在目标函数或代价函数后面加上一个正则项，一般有L1正则与L2正则等。
  • 不过接下来将使用一种新的方法，专门针对计算机视觉，在深度学习模型处理图像时几乎普遍使用——数据增强。

猫狗分类的实例基准模型之数据增强

①数据增强定义

  • 数据集增强主要是为了减少网络的过拟合现象，通过对训练图片进行变换可以得到泛化能力更强的网络，更好的适应应用场景。
  • 常用的数据增强方法有：
    在这里插入图片描述

②重新构建模型：

  • 上面建完的模型就保留着，我们重新建一个 .ipynb 文件，重新开始建模。

  • 首先猫狗图像预处理，只不过这里将分类好的数据集放在 train2 文件夹中，其它的都一样。
    在这里插入图片描述
    在这里插入图片描述

  • 然后配置网络模型、构建优化器，然后进行数据增强，代码如下：

from keras.preprocessing.image import ImageDataGenerator
datagen = ImageDataGenerator(
      rotation_range=40,
      width_shift_range=0.2,
      height_shift_range=0.2,
      shear_range=0.2,
      zoom_range=0.2,
      horizontal_flip=True,
      fill_mode='nearest')
  • 参数解释：
    在这里插入图片描述
  • 查看数据增强后的效果：
import matplotlib.pyplot as plt
# This is module with image preprocessing utilities
from keras.preprocessing import image
fnames = [os.path.join(train_cats_dir, fname) for fname in os.listdir(train_cats_dir)]
# We pick one image to "augment"
img_path = fnames[3]
# Read the image and resize it
img = image.load_img(img_path, target_size=(150, 150))
# Convert it to a Numpy array with shape (150, 150, 3)
x = image.img_to_array(img)
# Reshape it to (1, 150, 150, 3)
x = x.reshape((1,) + x.shape)
# The .flow() command below generates batches of randomly transformed images.
# It will loop indefinitely, so we need to `break` the loop at some point!
i = 0
for batch in datagen.flow(x, batch_size=1):
    plt.figure(i)
    imgplot = plt.imshow(image.array_to_img(batch[0]))
    i += 1
    if i % 4 == 0:
        break
plt.show()
  • 结果如下

在这里插入图片描述

  • 图片格式转化
train_datagen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=40,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True,)
# Note that the validation data should not be augmented!
test_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
        # This is the target directory
        train_dir,
        # All images will be resized to 150x150
        target_size=(150, 150),
        batch_size=32,
        # Since we use binary_crossentropy loss, we need binary labels
        class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
        validation_dir,
        target_size=(150, 150),
        batch_size=32,
        class_mode='binary')
  • 开始训练并保存结果
history = model.fit_generator(
      train_generator,
      steps_per_epoch=100,
      epochs=100,
      validation_data=validation_generator,
      validation_steps=50)
model.save('E:\\Cat_And_Dog\\kaggle\\cats_and_dogs_small_2.h5')

  • 训练结果如下
    在这里插入图片描述

  • 结果可视化

acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(len(acc))
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()
plt.figure()
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()
plt.show()

在这里插入图片描述
在这里插入图片描述

③dropout层定义及添加实现

  • 在数据增强的基础上，再添加一个 dropout 层。
#退出层
model.add(layers.Dropout(0.5))
  • 再次训练模型，查看训练结果如下

在这里插入图片描述
在这里插入图片描述

问题回答

①什么是overfit（过拟合）？
过拟合（overfitting）是指机器学习算法在训练数据上表现出很高的准确性，但在未见过的测试数据上表现较差的现象。简而言之，过拟合就是模型过度适应了训练数据，导致在面对新数据时泛化能力较差。当一个机器学习模型过拟合时，它会记住训练数据中的细节和噪声，而不是学习到普遍适用的模式。这种现象可能发生在模型的复杂性过高、训练数据数量不足或数据中存在噪声等情况下。
②什么是数据增强？
数据增强（data augmentation）是一种在机器学习和深度学习中常用的技术，用于通过对原始训练数据进行变换和扩充来增加数据样本的数量。数据增强旨在改变训练数据的外观，但保持其标签和语义不变，从而提供更多样化、更丰富的数据样本，以改善模型的泛化能力。
数据增强可以通过多种方式进行操作，包括但不限于以下方法：
镜像翻转：将图像水平或垂直翻转，产生左右或上下镜像的图像。
旋转：对图像进行旋转操作，如随机旋转一定角度。
平移：在图像上进行平移操作，将图像在水平或垂直方向上移动一定距离。
缩放：对图像进行缩放操作，放大或缩小图像的尺寸。
裁剪：从原始图像中裁剪出感兴趣的区域，改变图像的大小和内容。
增加噪声：向图像中添加噪声，如高斯噪声、椒盐噪声等。
亮度和对比度调整：调整图像的亮度和对比度，改变图像的整体明暗程度。
颜色变换：对图像进行颜色空间的变换，如灰度化、色彩偏移等。
③如果单独只做数据增强，精确率提高了多少？
由于数据量的增加，对比基准模型，可以很明显的观察到曲线没有过度拟合了，训练曲线紧密地跟踪验证曲线，这也就是数据增强带来的影响，但是可以发现它的波动幅度还是比较大的。
④再添加的dropout层，是什么实际效果？
相比于只使用数据增强的效果来看，额外添加一层 dropout 层，仔细对比，可以发现训练曲线更加紧密地跟踪验证曲线，波动的幅度也降低了些，训练效果更棒了。

@aln
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于卷积神经网络的目标分类案例
m0_59733083的博客
07-11 196
1、数据集增强主要是为了减少网络的过拟合现象，通过对训练图片进行变换可以得到泛化能力更强的网络，更好的适应应用场景。2、常用的数据增强方法有：翻转变换、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动、颜色变化。
pytorch深度学习实践3——多分类问题，卷积神经网络CNN
qq_42832272的博客
03-31 9298
多分类问题Softmax Classifier分类器 全连接网络：用线性层将网络连接在一起 softmax数学原理： loss函数实现方法： 交叉熵损失： 手写数字识别分类案例代码： 引入的包和库： 将图像转换为pytorch的tensor 将图像归一化为0-1分布 将transforms运用到dataset中： 构建模型： 定义损失函数和优化器： 训练： 卷积神经网...
【神经网络】(3) 卷积神经网络(CNN)，案例：动物三分类，附python完整代码
博观而约取，厚积而薄发
12-09 1万+
各位同学好，今天和大家分享一下TensorFlow2.0深度学习中卷积神经网络的案例。现在有猫、狗、熊猫图片一千张，构建卷积神经网络实现图像的分类预测。 1. 数据加载 将训练测试数据划分好后放在同一个文件目录下，使用tf.keras.preprocessing.image_dataset_from_directory()函数构造数据集。函数的具体用法见：https://blog.csdn.net/qq_40108803/article/details/110408217 对训练数据和验证数据进行on
【通俗理解】CNN卷积神经网络 - 附带场景举例
weixin_45266856的博客
09-08 2738
CNN的全称是，称之为卷积神经网络，是深度学习的经典算法之一。CNN一般用于图片分类、检索、人脸识别、目标定位等。而CNN放在实际的例子中，如图中CNN要做的事情是：给定一张图片，是车还是马未知，是什么车也未知，现在需要模型判断这张图片里具体是一个什么东西，总之输出一个结果：如果是车，那是什么车CONV层，RELU层，POOL层和FC层。当然了，看到这里你还是一脸懵逼，这些都是什么东西？当然了，不要着急，下面来详细介绍。
【深度学习实战】使用卷积神经网络（LeNet-5）对mnist数据集进行多分类
在热爱技术的路上一直前行。
01-04 1028
【代码】【深度学习实战】使用卷积神经网络（LeNet-5）对mnist数据集进行多分类。
如何创建和训练一个简单的卷积神经网络用于深度学习分类
03-09
%% 这个例子展示了如何创建和训练一个简单的卷积神经网络用于深度学习分类。 %% 卷积神经网络是深度学习的重要工具，尤其适用于图像识别。
基于多层上下文卷积神经网络的目标检测算法.pdf
09-25
【基于多层上下文卷积神经网络的目标检测算法】是一种深度学习技术，旨在解决传统目标检测方法在处理小目标和遮挡目标时精确度不高的问题。该算法的核心是利用多层上下文信息来增强特征提取，从而提高目标检测的准确...
MATLAB实现CNN卷积神经网络多输入回归预测（完整源码和数据）
10-13
卷积神经网络（CNN，Convolutional Neural Network）是一种在图像处理领域广泛应用的深度学习模型，近年来也逐渐被引入到其他领域，如自然语言处理和时间序列预测。在这个MATLAB实现的项目中，CNN被用来进行多输入...
SmileDetection:基于深度学习的AI项目，可以识别图片中的笑容^ __ ^
05-23
3. 模型构建：设计并构建深度学习模型，如卷积神经网络（CNN）或者预训练模型如VGG、ResNet等进行迁移学习。 4. 训练与优化：使用训练集对模型进行训练，并通过调整超参数和优化器来提升性能。 5. 验证与测试：在...
神经网络实现多分类实例_鸢尾花分类.rar
03-21
keras神经网络实现多分类实例_鸢尾花分类，代码
基于CNN联合学习实现的心室分割与心脏病分类项目源码+项目说明+实验报告.zip
05-12
该项目是关于心室分割与心脏病分类的一个综合应用，利用了深度学习中的卷积神经网络（CNN）技术。心室分割是医学影像分析的重要一环，它可以帮助医生更准确地评估心脏功能，而心脏病分类则是通过对心电图或影像数据...
机器人技术视频讲座（64讲）-机器人技术30-视觉信息的获取.zip
10-17
讲座可能涵盖基本的监督学习模型，如支持向量机（SVM），以及近年来流行的深度神经网络（DNN）如卷积神经网络（CNN）和循环神经网络（RNN），它们在图像分类、目标检测和语义分割等领域取得了显著成果。 最后，视觉...
神经网络实战记录5—将多层多分类神经网络改为多分类卷积神经网络
yuanjiu4221的博客
08-24 1448
1.删掉三个隐含层： 2.改用卷积神经网络来实现： （1）因为卷积神经网络输入是图片，所以要先将x这个展开的一维的向量一个具有三通道的图片格式： 改成： reshape之后还需要交换一下通道，perm就是通道的排列顺序： 这里的效果是把后两个挪到前面来， 前面的防盗后面去这样一个效果： （2）进行第一个卷积层和pooling层： 激活函数是relu（第三个参数） pooiling的步长最...
tensorflow随笔——简单的卷积神经网络分类实例
爱做菜的炼丹师
07-24 1213
下例是用tensorflow写的2层cnn+2层fc的一个卷积神经网络做mnist的分类例子，旨在简单明了，过一遍TF代码的分类流程。 实例只有两个文件： train.py:数据读取，模型训练。 # coding=utf-8 import tensorflow as tf import model import os from tensorflow.examples.tutorials.m...
卷积神经网络09（多分类问题）太详细的，手把手
weixin_42989738的博客
09-06 1566
ont-hot 独热编码 使用e^z为了保证大于0 损失为0，对于分类是没有意义的 练习 import torch criterion = torch.nn.CrossEntropyLoss() Y = torch.LongTensor([2,0,1]) Y_pred1 = torch.tensor([[0.1,0.2,0.9], [1.1,0.1,0.2], [0.2,2.1,0.1]]) Y_...
【神经网络】(6) 卷积神经网络（VGG16），案例：鸟类图片4分类
博观而约取，厚积而薄发
12-12 4225
各位同学好，今天和大家分享一下TensorFlow2.0中的VGG16卷积神经网络模型，案例：现在有四种鸟类的图片各200张，构建卷积神经网络，预测图片属于哪个分类。 1. 数据加载 将鸟类图片按类分开存放，使用tf.keras.preprocessing.image_dataset_from_directory()函数分批次读取图片数据，统一指定图片加载进来的大小224*224，指定参数label_model，'int'代表目标值y是数值类型，即0, 1, 2, 3等；'categorical'代表o
卷积神经网络实现图像识别及过程可视化
热门推荐
sadfassd的博客
06-12 4万+
卷积神经网络实现图像识别及过程可视化 本博文提供经典的卷积神经网络实现代码，将CNN的工具类等代码分别封装，并提供接口自行替换使用的模型（可以换成自己的神经网络及图片样本），代码中提供模型保存和读取，并对卷积层的计算结果反卷积还原成图片输出到tensorboard中，最后可以在tensorboard中观察CNN训练的过程和结果数据，并查看过程中卷积核提取的具体特征。 实验环...
57、基于概率神经网络(PNN)的分类(matlab)
最新发布
XU157303764的博客
07-09 878
概率神经网络（PNN）是一种用于模式分类的人工神经网络。它基于贝叶斯定理和高斯混合模型，可以用于处理各种类型的数据，包括连续型数据和离散型数据。PNN在处理分类问题时比传统的神经网络更加灵活，具有更高的准确性和泛化能力。PNN的基本工作原理是将输入数据集分别与样本集中的每个样本计算相似度，并根据相似度来对输入数据进行分类。PNN由四层组成：输入层、模式层、竞争层和输出层。输入数据首先通过输入层传递到模式层，再通过竞争层计算相似度，最后根据相似度在输出层进行分类。
人工智能-基于卷积神经网络的高分辨率遥感影像建筑物提取方法研究.pdf
06-28
通过对高分辨率遥感影像建筑物提取的实验和分析，研究表明卷积神经网络具有很高的准确性和效率，可以有效地提取建筑物信息。在研究过程中，作者得到了张秋昭副教授和王光辉高级工程师的重要指导和支持，取得了丰硕的...

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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