作者丨yishun@知乎极市导读对神经网络进行可视化分析不管是在学习上还是实际应用上都有很重要的意义，基于此，本文介绍了3种CNN的可视化方法：可视化中间特征图，可视化卷积核，可视化图像中类激活的热力图。每种方法均附有相关代码详解注：本文所有资料均来自Keras之父、Google人工智能研究员Francois Chollet的大作：《Python深度学习》，建议大家直接去看原文，这里只
作者：Ahzam Ejaz 卷积神经网络(cnn)是一种神经网络，通常用于图像分类、目标检测和其他计算机视觉任务。CNN的关键组件之一是特征图，它是通过对图像应用卷积滤波器生成的输入图像的表示。理解卷积层1、卷积操作卷积的概念是CNN操作的核心。卷积是一种数学运算，它把两个函数结合起来产生第三个函数。在cnn的上下文中，这两个函数是输入图像和滤波器，而得到的结果就是特征图。2、卷积的层卷
转载
2024-03-15 09:04:25
83阅读
CNN一层中的一个通道矩阵叫做feature map，特征图。比如输入的灰度图像，有1个feature map， 变换到第二层有6个feature map。 之所以叫feature map特征图，是因为一个特征图代表的是一个图像的特征，越到后面这个特征越抽象，越多，所以后面的特征图也就是通道数越多。然后特征图本身的大小减小了，也就是特征抽离出来了，没有那么多杂质了，也更抽象了，不需要那么多元素去描
转载
2024-05-15 15:37:38
224阅读
1、原理1.1、基本结构卷积神经网络（Convolutional Neural Networks,CNN）是深度学习中的一种网络，它和其他神经网络最大的区别在于其独特的卷积层。通常情况下它是由多层网络组合而成，每层又包含由特征图组成的多个平面，而这些平面都是由多个独立神经元组成。 通常情况下，因为包含卷积操作，C层被称为特征提取层。上一层的局部感受野（即与滤波器进行卷积操作的
转载
2024-07-27 10:38:54
224阅读
作为一个目标检测领域的baseline算法，Faster-rcnn值得去仔细理解里面的细节按照总分总的顺序剖析。
转载
2024-06-07 11:29:50
50阅读
什么是图像识别 •
图像识别技术是信息时代的一门重要的技术，其产生目的是为了让计算机代替人类去处理大量的物理信息。随着计算机技术的发展，人类对图像识别技术的认识越来越深刻 •
图像识别技术的定义为利用计算机对图像进行处理、分析和理解，以识别不同模式的目标和对象的技术 •
图像识别技术的过程分为信息的获取、预处理、特征抽取和选择、分类器设计和分类决策 举个栗子： 好看不？卧
转载
2024-08-08 17:11:38
96阅读
传统的图像特征提取（特征工程）主要是基于各种先验模型，通过提取图像关键点、生成描述子特征数据、进行数据匹配或者机器学习方法对特征数据二分类/多分类实现图像的对象检测与识别。卷积神经网络通过计算机自动提取特征（表示工程）实现图像特征的提取与抽象，通过MLP实现数据的回归与分类。二者提取的特征数据都具不变性特征。迁移不变形尺度不变性辐照度/亮度不变性CNN为什么能提取到图像特征？关键点在于CNN有两种
转载
2024-03-19 13:47:44
247阅读
使用预训练网络提取图像特征，并用于分类。
上一节中，我们采用了一个自定义的网络结构，从头开始训练猫狗大战分类器，最终在使用图像增强的方式下得到了82%的验证准确率。但是，想要将深度学习应用于小型图像数据集，通常不会贸然采用复杂网络并且从头开始训练（training from scratch），因为训练代价高，且很难避免过拟合问题。相对的，通常会采用一种更
转载
2023-10-16 13:20:39
231阅读
CNN 有2大特点：能够有效的将大数据量的图片降维成小数据量能够有效的保留图片特征，符合图片处理的原则典型的 CNN 由3个部分构成：卷积层池化层全连接层卷积——提取特征 卷积是当把一个函数“翻转”并移位x时，测量f和g之间的重叠。 当为离散对象时，积分就变成求和。 卷积核特性：平移不变性，局部性 图像的平移不变性使我们以相同的方式处理局部图像，而不在乎它的位置。局部
转载
2024-04-25 12:11:12
189阅读
CNN 与传统的NN相比，增加卷积层和激活层，使得网络的训练更加容易。卷积层 卷积 层最大的特点：局部感知和权重共享。 传统的神经网络其表征能力已经很强，两层的神经网络可以近似表示所有的函数，但是却很难训练，比如对于图像领域，将图像的每个像素与每个神经元相连，要学习的权重参数数量就非常多，难以训练。而卷积层的提出，在图像的
转载
2024-04-03 20:16:45
104阅读
R-CNN系列链接: 目标检测各类方法主要的创新点参考连接：1、R-CNN选择性搜索候选框----正负样本提取（IOU筛选即nms）------抠图CNN提取特征----SVM分类（极大值抑制进一步筛选）-----边框回归（将筛选出来的进行调整）候选区域提出阶段（Proposal）：采用selective-search方法，从一幅图像生成1K~2K个候选区域； 特征提取：对每个候选区域，使用CNN
转载
2024-07-08 16:18:35
0阅读
前言 本篇文章主要介绍了CNN网络中卷积层的计算过程，欲详细了解CNN的其它信息可以参考：技术向：一文读懂卷积神经网络。局部连接性和权值共享性。因为对一副图像中的某个像素p来说，一般离像素p越近的像素对其影响也就越大（局部连接性）；另外，根据自然图像的统计特性，某个区域的权值也可以用于另一个区域(权值共享性)。这里的权值共享说白了就是卷积核共享，对于一个卷积核将其与给定的图像做卷积就可以提取一种图
转载
2024-07-31 17:49:44
101阅读
CNN中卷积和池化操作后的特征图大小计算方法一、卷积操作二、池化操作三、实战3.1.卷积计算例13.2.卷积计算例23.3.池化操作例1 特别的： 当计算尺寸不被整除时，卷积向下取整，池化向上取整。（只在GoogLeNet中遇到过。） 一般的： 卷积池化均向下取整 一、卷积操作假设： 设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，填充为P,经过该卷积层后输出的图像尺寸为NxN,计
转载
2023-11-26 14:04:09
1216阅读
image2014年R-CNN横空出世，首次将卷积神经网络带入目标检测领域。受SPPnet启发，rbg在15年发表Fast R-CNN，它的构思精巧，流程更为紧凑，大幅提高目标检测速度。在同样的最大规模网络上，Fast R-CNN和R-CNN相比，训练时间从84小时减少为9.5小时，测试时间从47秒减少为0.32秒。在PASCAL VOC 2007上的准确率相差无几，约在66%-67%之间。一.F
转载
2024-09-18 12:01:16
67阅读
在电子电路中，电源、放大、振荡和调制电路被称为模拟电子电路，因为它们加工和处理的是连续变化的模拟信号。电子电路中另一大类电路的数字电子电路。它加工和处理的对象是不连续变化的数字信号。数字电子电路又可分成脉冲电路和数字逻辑电路，它们处理的都是不连续的脉冲信号。脉冲电路是专门用来产生电脉冲和对电脉冲进行放大、变换和整形的电路。家用电器中的定时器、报警器、电子开关、电子钟表、电子玩具以及电子医疗器具等，
小结concat是通道数叠加，描述图像本身的特征增加了，而每一特征下的信息是没有增加。add为简单的像素叠加，通道不变；add后描述图像的特征下的信息量增多了，但是描述图像的维度本身并没有增加，只是每一维下的信息量在增加，这显然是对最终的图像的分类是有益的。特征add的时候就是增加特征的信息量，特征concat的时候就是增加特征的数量，注重细节的时候使用add，注重特征数量的时候使用concat。
转载
2024-09-15 18:47:09
108阅读
1. 为什么会出现图卷积神经网络？普通卷积神经网络研究的对象是具备Euclidean domains的数据，Euclidean domains data数据最显著的特征是他们具有规则的空间结构，如图片是规则的正方形，语音是规则的一维序列等，这些特征都可以用一维或二维的矩阵来表示，卷积神经网络处理起来比较高效。CNN的【平移不变性】在【非矩阵结构】数据上不适用平移不变性（translation in
ref:手写字体识别模型LeNet5诞生于1994年，是最早的卷积神经网络之一。LeNet5通过巧妙的设计，利用卷积、参数共享、池化等操作提取特征，避免了大量的计算成本，最后再使用全连接神经网络进行分类识别，这个网络也是最近大量神经网络架构的起点。LeNet5的网络结构示意图如下所示： 这里写图片描述 LeNet5由7层CNN（不包含输入层）组成，上图中输入的原始图像大小是32×32像素，卷积层用
转载
2024-08-08 12:05:21
51阅读
Introduction特征融合的方法很多.如果数学化地表示，大体可以分为以下几种：: 、表示两个特征图，表示元素级相加. 代表如ResNet、FPN .表示张量 拼接操作。 代表如GoogleNet、U-Net. 是注意力函数。这里表示自注意力机制。代表如SENet、 CBAM、Non-local. 同样是将注意力机制作用在一个特征图上，而权重信息来源于对方。代表如GAU. 软注意力机制的一种，
转载
2024-05-15 14:19:46
160阅读
微软在arxiv上发布新论文，把CNN带入Transformer后能够同时兼顾全局和局部的信息。在计算机视觉技术发展中，最重要的模型当属卷积神经网络（CNN），它是其他复杂模型的基础。 CNN具备三个重要的特性：一定程度的旋转、缩放不变性；共享权值和局部感受野；层次化的结构，捕捉到的特征从细节到整体。 这些特性使得CNN非常适合计算机视觉任务，也使CNN成为深度学习
转载
2024-05-29 11:36:26
37阅读
