卷积特征提取与池化（Pooling）——处理大型图像

最新推荐文章于 2024-04-17 14:18:36 发布
最新推荐文章于 2024-04-17 14:18:36 发布
阅读量1.8w 收藏 17
点赞数 3
分类专栏： UFLDL UFLDL 文章标签： Deep Learning UFLDL 深度学习 模式识别 池化
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/ycheng_sjtu/article/details/38662785
版权

在之前的章节中，我们已经很好地解决了手写体识别问题（维数为28*28）。但如果是更大的图像（维数为96*96）呢？如果你还是要学习400个特征，那么网络权重参数就有400*96*96即近400万个。

 

 

卷积特征提取

如果我们从大型彩色图像（64*64*3）中随机抽取一些小patch（8*8），学到了一些特征，然后用这些特作为滤波器去扫过整张大图，即逐行逐列做卷积。这样做可以大幅减小网络参数W的数量，然而会使输入分类器的特征维数大幅度上升。

 

池化

池化是在卷积特征提取的基础上，对每个卷积特征进行取平均等，继续缩小隐藏节点对于的卷积特征维数，减小分类器的设计负担。

 

下面列表说明

原始图像为64*64*3的彩色图像

卷积特征提取采样8*8的patch

隐藏层节点数统一为400

最低0.47元/天 解锁文章
ycheng_sjtu
关注
  • 3
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
卷积Convolution和池化pooling特征提取，分类
whiteinblue的专栏
03-26 1万+
前言： 　　本次实验是练习convolution和pooling的使用，更深一层的理解怎样对大的图片采用convolution得到每个特征的输出结果，然后采用pooling方法对这些结果进行计算，使之具有平移不变等特性。实验参考的是斯坦福网页教程：Exercise:Convolution and Pooling。也可以参考前面的博客：Deep learning：十七(Linear Decod
特征空间池化 SPP
weixin_43444314的博客
05-13 130
这个是原文章，觉得讲得很好 import math import torch import torch.nn.functional as F class SPPlayer(torch.nn.Module): def __init__ = (self,num_levels,pool_type='max_pool'): super( SPPLayer ,self).__init__() self.num_levels = num_levels s
卷积神经网络---详解卷积运算、池化操作(Pooling)
最新发布
weixin_49145300的博客
04-17 2162
图像在计算机中的本质是卷积运算中多通道（例如64通道）与颜色无关，指的是每个特征图所提取的特征所提取的特征。
特征金字塔池化
古承风的博客
11-17 724
1. 特征金字塔池化 如上图所示： 将特征图的所有像素划分为n×nn\times nn×n个网格，并将其经过核为n×nn\times nn×n，步长为(n,n)(n,n)(n,n)的池化（可以选择最大池化或者平均池化） ； 经过较为密集的池化（$ 4\times 4）,形成）,形成）,形成N\times C\times n\times n的特征图，将其串联形成的特征图，将其串联形成的特征图，将其串联形成C\times*$的格式； 之后，在第2个步骤池化得到的特征图的基础上，取不同的nnn值，进行下一个池
实例理解卷积与池化操作前后的图像大小变化以及padding参数的含义
heshuaimin的博客
03-23 3477
** 实例理解卷积与池化操作前后的图像大小变化以及padding参数的含义 ** 引言 最近因为毕设在学卷积神经网络，一直比较困惑卷积或者池化操作以后图像如何发生变化。在网上查了不少资料，可以找到一些公式，但是并没有详细说明使用情境且很少实例讲解。因此我总结前人的工作，整理成一个博客，算是自己学习的一个记录，也希望能够帮助到一些CNN学习者。 我参考的博客有padding填充same 和vali...
用MATLAB实现卷积神经网络CNN，并对图像进行特征提取_cnn图像处理matlab,cnn特征提取matalb
05-26
用MATLAB实现卷积神经网络，并对图像进行特征提取 文件列表： CNN CNN\cnnapplygrads.m CNN\cnnbp.m CNN\cnnff.m CNN\cnnnumgradcheck.m CNN\cnnsetup.m CNN\cnntest.m CNN\cnntrain.m CNN\expand.m CNN\...
计算机视觉特征提取与图像处理总结 计算机视觉.pdf
04-21
"计算机视觉特征提取与图像处理总结" 计算机视觉特征提取与图像处理是计算机视觉领域中的核心内容，涉及图像处理、特征提取、目标检测、图像分类等方面。下面是计算机视觉特征提取与图像处理的知识点总结： 图像...
MATLAB实现卷积神经网络并对图像进行特征提取（高分必看）.zip
02-17
MATLAB实现卷积神经网络并对图像进行特征提取.zip 代码完整下载即用，无需修改确保可以运行。 MATLAB实现卷积神经网络并对图像进行特征提取.zip 代码完整下载即用，无需修改确保可以运行。MATLAB实现卷积神经网络...
基于卷积神经网络的织物图像特征提取与检索研究进展_孙洁.pdf
05-18
基于卷积神经网络的织物图像特征提取与检索研究进展
用MATLAB实现卷积神经网络CNN，并对图像进行特征提取
02-27
用MATLAB实现卷积神经网络，并对图像进行特征提取 文件列表： CNN CNN\cnnapplygrads.m CNN\cnnbp.m CNN\cnnff.m CNN\cnnnumgradcheck.m CNN\cnnsetup.m CNN\cnntest.m CNN\cnntrain.m CNN\expand.m CNN\...
pooling的作用以及各种不变性
lt1103725556的博客
12-02 2042
参考 CNN网络的pooling层有什么用？ - 谢志宁的回答 - 知乎 https://www.zhihu.com/question/36686900/answer/130890492 CNN网络的pooling层有什么用？ - 谢志宁的回答 - 知乎 https://www.zhihu.com/question/36686900/answer/130890492 CNN入门讲解：什么是采样层...
git 生成多个patch_ReID-CVPR2019[2]——基于Patch的可分辨特征无监督学习
weixin_34457338的博客
12-18 511
Patch-based Discriminative Feature Learning for UnsupervisedPerson Re-identification一、摘要尽管有可分辨的局部特征早已被用于有效地解决person ReID问题，但是需要大量昂贵的手工标注。本文提出了一种基于patch的无监督学习框架，以便从patch而不是整幅图像中学习识别特征，即利用patch之间的相似性来学习...
深度学习：特征图的PCA、attention、patch、CFA、灰度共生矩阵
czmjy的博客
06-23 1443
深度学习：特征图的PCA、attention、patch、CFA、灰度共生矩阵
卷积神经网络中图像池化操作全解析
AIGC | 智能洞察，创造未来
05-30 3万+
卷积神经网络 最大池化 平均池化 随机池化 最大池化的matlab的实现
卷积神经网络(CNN)中的卷积核到底是如何提取图像特征的（python实现图像卷积运算）
热门推荐
米兰小子SHC
06-27 3万+
1.前言 我们知道，卷积核(也叫滤波器矩阵)在卷积神经网络中具有非常重要的作用。说白了，CNN主要作用在于提取图像的各种特征图（feature maps). CNN主要是通过卷积运算来完成特征提取的。图像卷积运算，主要是通过设定各种特征提取滤波器矩阵（卷积核，通常设定大小为3x3,或者5x5的矩阵），然后使用该卷积核在原图像矩阵（图像实际是像素值构成的矩阵）‘滑动’，实现卷积运算。如果对卷积运算还...
卷积神经网络 - 卷积池化
Xcy的博客
06-02 3304
卷积神经网络 卷积神经网络（CNN）由输入层，卷积层，激活函数，池化层，全连接层组成。 Input - Conv - Relu - Pool - Fc 卷积层:用于特征的提取 输入图像是32 * 32 * 3（R,G,B），用一个5 * 5 * 3 的filter【注意，两个3必须相同】，得到一个28 * 28 * 1 的特征图。 如何由32经由5得到28？ 以5
池化的几种方法 学习笔记 (附代码)
PLANTTHESON的博客
10-10 5898
池化的几种方法 学习笔记 (附代码)
python中如何创建一颗多叉树_多叉树的设计、建立、层次优先遍历和深度优先遍历...
weixin_39668890的博客
12-11 4317
多叉树的设计、建立、层次优先遍历和深度优先遍历早起曾实现过一个简单的多叉树《实现一个多叉树》。其实现原理是多叉树中的节点有两个域，分别表示节点名以及一个数组，该数组存储其子节点的地址。实现了一个多叉树建立函数，用于输入格式为A B。A表示节点的名字，B表示节点的子节点个数。建立函数根据用户的输入，首先建立一个新的节点，然后根据B的值进行深度递归调用。用户输入节点的顺序就是按照深度递归的顺序。另外，...
共享卷积特征提取网络与特征提取网络的区别
03-27
共享卷积特征提取网络与特征提取网络的区别在于： 1. 参数共享：共享卷积特征提取网络中，卷积层的参数在不同的位置上是共享的，而特征提取网络中每个卷积层的参数是独立的。 2. 计算效率：共享卷积特征提取网络...

“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 2
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