1.卷积神经网络
卷积神经网络是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。 卷积神经网络由一个或多个卷积层和顶端的全连通层(对应经典的神经网络)组成,同时也包括关联权重和池化层。
用途:检测任务、分类与检索、超分辨率重构、医学任务、无人驾驶等
2. 首先要把图像分割成每个小区域,目的是对于不同区域我得到特征它是不一样的,然后接下来我要选择一种计算的方法,对于每一个小区计算,它应该的特征值是等于多少的。
三个通道都需要进行卷积特征值计算
卷积特征值计算
这样方法比较简单,首先把数据要分成一个小区域,对于每个小区,要对一个区域就是从filter当中选择指定的大小,然后计算一个内积,把内积计算的结果分别计算好就可以了,这个就是我卷积计算的一个方法。
参考:https://blog.csdn.net/liuweiyuxiang/article/details/88111943
3.步长与卷积核大小对结果的影响
一般图像使用步长为1的卷积,但步长越短,效率就会越慢,但精确率高。卷积核越小,相当于也是越细腻提取,卷积核越大也是越大刀阔斧的。现在基本的一个做法就是步长比较小,卷积核也比较小,一般情况下3*3。
4.边缘填充方法
由于越往边界的点,它能够被利用的次数是不是越少,越往中间的点,他对最终结果而定的次数越多。于是在这个边界外面再加上了一圈0,加上了一圈0之后,现在原本是边界的点,就不是边界点了,既然他不是边界点,他要能够被利用的次数就更多了,代表一定程度上弥补了一些边界信息缺失的问题,边界特征利用的不充分的问题,只加上一圈0,却使得边界特征能够被充分的利用,让网络能够更公平的对待一些边界特征。
卷积核个数: 卷积核个数就是最终在计算的过程当中,要得到多少个特征图,比如说要得到10个特征图,卷积核个数就是10。但是特征图中的数据不同。
5.特征图尺寸计算与参数共享
6.池化层的作用:压缩
7.神经网络架构
先通过卷积进行特征提取,卷积层都与卷积relu结合在一起,两次卷积一次池化,卷积和池化都是做特征的提取,最后得到结果需要使用全连接层,把特征图转为特征向量。