使用 CNN 进行图像分类 - 理解计算机视觉

介绍

在计算机视觉中，我们有一个卷积神经网络，它非常适用于计算机视觉任务，例如图像分类、对象检测、图像分割等等。

图像分类是当今时代最需要的技术之一，它被用于医疗保健、商业等各个领域，因此，了解并制作最先进的计算机视觉模型是AI的一个必须的领域。

在本文中，我们将学习涵盖CNN 的基础知识和高级概念，然后我们将构建一个模型，使用 Tensorflow 将图像分类为猫或狗，然后我们将学习高级计算机视觉，其中将涵盖迁移学习以及我们将使用**卷积神经网络 (CNN)**构建多图像分类器。

卷积神经网络

卷积神经网络 (CNN)是一种用于处理图像的神经网络，这种类型的神经网络从图像中获取输入并从图像中提取特征，并提供可学习的参数以有效地进行分类、检测和更多任务。

我们使用称为“过滤器”的东西从图像中提取特征，我们使用不同的过滤器从图像中提取不同的特征。

让我们举个例子，你正在构建一个分类模型来检测图像是猫还是非猫。因此，我们有不同的过滤器用于从图像中提取不同的特征，例如在这种情况下，一个过滤器可以学习检测猫的眼睛，另一个可以学习检测耳朵等。

我们如何使用这些过滤器提取信息？

我们使用过滤器和卷积操作来卷积我们的图像，让我们通过一些可视化来详细了解。

我们采用图像（5 x 5），这里我们有灰度图像，然后采用可学习的过滤器（3 x3），接着进行卷积操作。

步骤1： 做元素乘积，然后把它加起来，然后填充第一个单元格。[ 4 * 0 + 1 * 2 + 1 * 3 + 0 * 0 + 1 * 1 + 2 * 1 + 3 * 1 + 2 * 0 + 5 * 1 = 16 ]

然后滑动 1 倍，再次做同样的事情，这就是所谓的卷积操作，只需做元素乘积并将其求和。

可以查看 GIF 格式的可视化。

你可能会问一个问题，我们如何处理 RGB 比例或彩色图像，你必须这样做：

1) 步幅卷积

在上面的例子中，我们用因子 1 滑过我们的图像，所以为了更快地计算图像，所以在下面的例子中，我们用因子 2 滑过图像。

2) 填充

在卷积运算中，我们经常会丢失一些信息，因此为了保留信息，我们用零填充图像，然后开始对图像进行卷积。

3) 池化层

为了在保留信息的同时对图像进行下采样，我们使用池化层，我们有两种类型的池化层，即最大池化和平均池化。