深度学习
文章平均质量分 89
Data艺术家
只是一串0和1!
展开
-
【卷积神经网络实例 实现数字图像分类】
使用VGG19网络模型实现图像分类:VGGNet是牛津大学计算机视觉组和Google DeepMind公司一起研发的深度卷积神经网络,并取得了2014年Imagenet比赛定位项目第一名和分类项目第二名。该网络主要是泛化性能很好,容易迁移到其他的图像识别项目上,可以下载VGGNet训练好的参数进行很好的初始化权重操作,很多卷积神经网络都是以该网络为基础,比如FCN,UNet,SegNet等。vgg版本很多,常用的是VGG16,VGG19网络。常见的卷积神经网络结构如图所示。卷积层后面会使用 ReLU 等激活原创 2022-06-07 15:15:21 · 2082 阅读 · 0 评论 -
【深度学习】卷积神经网络
续接上文+步幅以图像大小 6x6x3 卷积核大小 3x3x3 为例==如图:==使用不同的卷积核对图像进行卷积,得到两个不同的4x4特征矩阵;矩阵中每一个值+偏置b,然后应用非线性激活函数ReLu最终得到另一个4x4矩阵;然后将两个矩阵堆叠起来,最终得到一个4x4x2的矩阵;我们通过计算从6x6x3的输入推导出一个4x4x2的输出,它就是神经网络的一层(layer),它映射到标准神经网络中四个卷积层中的某一层或者一个非卷积神经网络中:在卷积过程中,我们对这27x2(两个卷积核)个数进行操作,取这些数做乘原创 2022-05-15 11:58:18 · 589 阅读 · 0 评论 -
【深度学习】卷积神经网络
续接上文 卷积运算&边缘检测卷积中的步幅是构建卷积神经网络的基本操作例如:我们将步幅(stride=2)设置为2,7x7的矩阵与右边的filter进行卷积运算;与之前的卷积运算不同的是我们之前步幅为1时,移动filter向右一格,而此时步幅为2时则移动两格;而当我们向下移动时,也是移动两格而非一格如此经过卷积运算,我们最终得到一个3x3的输出矩阵7x7 * 3x3 = 3x3;由此可总结出一个输入输出的公式(padding = p,stride = s = 2):nxn * fxf = (n+2p-f)/原创 2022-04-30 23:54:29 · 1260 阅读 · 3 评论 -
【深度学习】卷积神经网络
卷积边缘检测 + Padding水平边缘检测与垂直边缘检测相似,只需改变filter矩阵为:然后与图像矩阵进行卷积运算即可得到水平边缘检测;与垂直同理此处不做过多赘述对角线边缘检测在如下左上右下较亮其他地方较暗的图像矩阵 与 水平边缘检测filter 作卷积运算 得到具有边缘特征的图像矩阵因为此处做举例图像矩阵6x6,过渡带不是很清晰明了;但如果使1000x1000这样的棋盘风格大图,就不会出现这些亮度为10的过渡带,因为图片尺寸很大所以中间值会变得非常小,更加明显因此使用不同的filte原创 2022-04-17 10:50:36 · 2613 阅读 · 2 评论 -
【深度学习】卷积神经网络
卷积运算卷积运算是卷积神经网络的基本组成部分以图像识别为例:神经网络的前几层检测边缘,在后面一些层可能检测到物体的部分,更靠后层可能检测到完整的物体例如:下面这张图片让计算机知道图中有什么物体,我们一般可能会检测图像中的垂直边缘,也就是图像中垂直的一些物体,比如栏杆,人的轮廓;我们可能也会检测水平边缘比如栏杆水平方向的轮廓如何在图像中检测这些边缘?例:这是一个6x6的灰度图像,所以他是6x6x1的矩阵,而不是6x6x3;因为灰度图像并没有RGB三通道为了检测图像中的垂直边缘,在卷积神原创 2022-04-12 20:17:03 · 1706 阅读 · 1 评论