卷积神经网络是从利用开始，一步一步走到懂过程，再到理解。对卷积神经网络的理解，先从其结构开始。卷积神经网络包括了输入层，卷积层，池化层（下采样） ,全连接层和输出层。卷积层，这是卷积神经网络中较为核心的网络层，主要进行卷积操作，基于图像的控件句不相关性分别抽取图像局部特称，通过这些局部特征进行连接，可以形成整体特征。一个卷积核就相当于一个滤波器，找出我们所感兴趣的信息。池化层（下采样）是对卷积层结
转载
2023-08-08 14:52:26
202阅读
介绍U-Net于2015年提出，广泛用于图像分割问题。其初是专门为医学图像分割而设计的。该方法取得了良好的效果，并在以后的许多领域得到了应用。相对于很多其他语义分割网络，其规模较小，所以也可以用于一些实时的任务。结构 这个结构概括来说前期不断的卷积池化来进行下采样，然后再不断卷积上采样，形成一个U形。而下采样的结果还会合成至对应的上采样结果，实现抽象与细节的结合。 下采样即不断抽象的过程，当抽象程
转载
2024-01-29 05:25:40
39阅读
文章目录一、下采样1.1 下采样方式1.2 下采样作用二、上采样2.1 上采样方式2.2 上采样作用references 一、下采样卷积神经网络中，卷积是最基本的操作模块，卷积定义如下： 在WHC的图像操作中，卷积就是输入图像区域和滤波器进行内积求和的过程。具体的操作如下： 卷积就是一种下采样的方式。1.1 下采样方式1、采用stride为2的池化层，如Max-pooling和Average-p
转载
2023-12-15 09:10:33
511阅读
这两天在折腾Caffe的时候遇到过各种奇怪的问题，拿几个感觉比较重要的来说一下。之后想到什么再追加。GPU运算无法正常使用环境预载期错误(3 vs. 0)Check failed: status == CUDNN_STATUS_SUCCESS (3 vs. 0) CUDNN_STATUS_BAD_PARAM似乎是因为有其他设备在使用GPU导致的，我的情况是等待一段时间就好了。网络加载期错误(2
转载
2023-11-19 07:25:04
78阅读
文章目录一、卷积神经网络（Convolutional Neural Network）1.1 卷积（Convolution）1.2 最大值池化（Max Pooling）1.3 平整化 (flatten)二、用Keras实现CNN2.1 CNN学到了什么？2.2 Deep Dream2.3 Deep Style三、CNN的其他应用3.1 Alpha Go3.2 语音（Speech）3.3 文本 （T
转载
2024-01-21 10:47:41
108阅读
1.标准卷积神经网络标准的卷积神经网络由输入层、卷积层（convolutional layer）、下采样层（downsampling layer）、全连接层（fully—connected layer）和输出层构成。卷积层也称为检测层下采样层也称为池化层（pooling layer）2.卷积神经网络的优势：第一个特点和优势就是：局部感知在传统神经网络中每个神经元都要与图片上每个像素相连接，这样的话
转载
2023-10-12 15:16:18
547阅读
降采样深度卷积神经网络中降采样的方法：stride大于1的poolingstride大于1的convstride大于1的reorg（reorganization改组整顿），由Joseph Redmond在YOLOv2中首次提出。conv用stride=2的conv降采样的卷积神经网络效果与使用pooling降采样的卷积神经网络效果相当；卷积神经网络小的时候，使用pooling降采样效果可能更好，卷
转载
2024-01-02 10:30:23
148阅读
一. 卷积神经网络定义与比较1. 全连接神经网络的缺点参数太多，在cifar-10的数据集中，只有32*32*3，就会有这么多权重，如果说更大的图片，比如200*200*3就需要120000多个，这完全是浪费没有利用像素之间位置信息，对于图像识别任务来说，每个像素与周围的像素都是联系比较紧密的。层数限制2. &nbs
转载
2023-10-12 14:39:28
203阅读
1、概念神经网络(neural networks)的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层 (pooling layer，又叫下采样层)。卷积层：通过在原始图像上平移来提取特征，每一个特征就是一个特征映射池化层：通过特征后稀疏参数来减少学习的参数，降低网络的复杂度，（最大池化和平均池化）2、函数介绍tf.nn.conv2d(input, filter,
转载
2023-12-15 11:52:05
240阅读
关于深度学习在图像识别上应用的学习笔记3三、神经网络的数据表示：张量 在机器学习中，分类问题中的某个类别叫做类，数据点叫样本，某个样本对应的类别叫标签。训练神经网络的基本准备步骤： 1.组成训练集：模型从这些数据中进行学习，然后在测试集上对模型进行测试 2.将训练数据输入神经网络；其次网络学习将图像和标签关联在一起；最后网络对图像产生预测。 3.神经网络的核心组件是层（layer）相当于数据过滤器
转载
2023-12-01 13:07:21
77阅读
《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》2015，Google，Inception V2Inception V2学习了VGGNet，用两个33的卷积代替55的大卷积（用以降低参数并减轻过拟合），还提出了著名的Batch Normalization（简称
转载
2023-12-12 22:44:23
142阅读
FCN全卷积网络将网络的全连接层变成卷积层之后整个网络变成了只有卷积层和池化层的网络，于是网络就称之为全卷积网络。全卷积网络一般是用来对图像进行语义分割的，于是就需要对图像上的各个像素进行分类，这就需要一个上采样将最后得到的输出上采样到原图的大小。 上采样的过程也类似于一个卷积的过程，只不过在卷积之前将输入特征插值到一个更大的特征图然后进行卷积。下面举例子说明这个
转载
2024-01-12 08:25:43
60阅读
卷积神经网络(Convolutional Neural Networks, CNN)是应用最多、研究最广的一种神经网络，卷积神经网络（以下简称CNN）主要用于图片分类，自动标注以及产品推荐系统中。以CNN实现图片分类为例，图像经过多个卷积层、池化层复合而成的组件后，实现图像降维并提取到主要特征，最后再利用全连接神经网络实现分类，一个完整CNN实现识别图像的示意图如下：将一个矩阵用其中元
转载
2024-01-15 15:50:06
148阅读
ssd算法好久没看模型算法了，很多知识忘记了，今天想记录下一些理论知识，方便自己温顾。对于上采样，下采样，卷积，池化，后面会添加一些代码搭建网络的过程，并详细记录每一步每行代码的含义。 下采样主要目的有两个：1、使得图像符合显示区域的大小；2、生成对应图像的缩略图；其实下采样就是池化；1.用stride为2的卷积层实现：卷积过程导致的图像变小是为了提取特征。下采样的过程是一个信息损失的过
转载
2024-01-21 06:14:43
282阅读
关于前言随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容中的一个知识点-上采样。一、基于unet神经网络上采样中的的三种方式的理解1.上采样的三种方式在网上查阅大量资料后，以下是结合unet，对于上采样的三种方式的理解，上采样的三种方式，可以分为1、插值法（最近零插值算法，双线性插值算法，双三次插值算法），2、反池化，3、转置卷积（可
转载
2023-12-17 11:45:48
126阅读
1 为什么要进行图像采样与量化大多数传感器的输出是连续电压波形，为了产生一幅数字图像，需要把连续（空间坐标连续+幅值连续）的感知数据转化为数字形式，这包括两种处理：采样和量化。采样：图像空间连续坐标的离散化，决定图像的空间分辨率。量化：图像函数值（幅值）的数字化，决定图像的幅度（灰度级）分辨率。示例：
1.1 图像采样对图像空间坐标的离散化，它决定了图像的空间分辨率。用一个网格把待处理的图
转载
2024-01-30 20:02:09
48阅读
目录1、感受野（Receptive Field）2、上采样（upsampling）3、残差网络(Resnet)4、人工神经网络（ANN）5、 卷积神经网络（CNN）6、经典的卷积神经网络7、 循环神经网络或递归神经网络（RNN）8、 LSTM9、对抗神经网络（GAN)10、[孪生网络（ Siamese Network）]()11、 [语义分割]()12、下采样（subsampled） 1、感受野
转载
2024-01-10 22:23:16
77阅读
目录1 卷积2 上采样3 反卷积3.1 反卷积的数学推导正向卷积的实现过程用矩阵乘法描述卷积反卷积的输入输出尺寸关系卷积和反卷积的关系**Relationship 1：**3.3 反卷积的应用3.4 利用pytorch验证反卷积的计算参考 1 卷积可以看一下这篇文章：2 上采样在应用在计算机视觉的深度学习领域，由于输入图像通过卷积神经网络(CNN)提取特征后，得到的特征图（Feature map
转载
2023-12-25 11:42:21
387阅读
一、下采样与上采样。 下采样（subsampled）又称为降采样（downsampled），即抽取特征 缩小图像尺寸，减少矩阵的采样点数。有两个作用：减少计算量，防止过拟合；增大感受野，使得后面的卷积核能够学到更加全局的信息。常用方法：1、加入池化层，如Max-pooling（相比平均池化，最大池化计算简单而且能够更好的保留纹理特征）； 2、加入卷积层，下采样的过程是一个信息损失的
转载
2024-01-10 15:22:43
138阅读
在做图像语义分割的时候，编码器通过卷积层得到图像的一些特征，但是解码器需要该特征还原到原图像的尺寸大小，才可以对原图像的每个像素点进行分类。从一个较小尺寸的矩阵进行变换，得到较大尺寸的矩阵，在这个过程就是上采样。常见的上采样的方法有（1）插值法（最邻近插值、双线性插值等） （2）转置卷积（又称为反卷积） （3）上采样（unsampling）（4）上池化（unpooling）插值法插值法不需要学习任
转载
2024-01-10 11:10:35
62阅读
