1、前言 在工业产品缺陷检测中，基于传统的图像特征的缺陷分类的准确率达不到实际生产的要求，因此想采用CNN来进行缺陷分类。 传统缺陷分类思路： 1、缺陷图片分离：先采用复杂的图像处理方法，将缺陷从采集的图像中分离处理； 2、特征向量构建：通过对不同缺陷种类的特征进行分析，定义需要提取的n维特征（比如缺陷长、宽、对比度、纹理特征、熵、梯度等），构成一组描述缺陷的  
转载
2024-05-23 18:01:03
33阅读
CNN在图像和提取空间信息中有着广泛应用，本篇博客以图像解释为主，省去了CNN基础内容的概述，主要讲述单通道卷积核多通道卷积的详细过程，并以Pytorch代码示例。1：单通道卷积以单通道卷积为例，输入为（1,5,5），分别表示1个通道，宽为5，高为5。假设卷积核大小为3x3，padding=0，stride=1。卷积过程如下：相应的卷积核不断的在图像上进行遍历，最后得到3x3的卷积结果，结果如下：
转载
2024-03-19 13:46:58
66阅读
作者 | Weize Quan , Kai Wang, Dong-Ming Yan , Xiaopeng Zhang【导读】传统的肉眼识别方法是很难直接识别出 NIs (自然图像) 和 CG (计算机生成的图像)。本文中提出了一种高效的、基于卷积神经网络 (CNN) 的图像识别方法。通过大量的实验来评估模型的性能。实验结果表明，该方法优于现有的其他识别方法，与传统方法中采用 CNN 模
转载
2024-06-03 10:26:11
38阅读
关于图像处理——运用CNN实现数字手写体识别的调研 目录关于图像处理——运用CNN实现数字手写体识别的调研前言关于图像处理关于CNN正文数据处理特征提取（Feature Extractor）卷积层设计池化层设计分类器（Multi-classifier）输入层设计隐层设计输出层设计后向传播的实现（Backward）算法实现主程序部分CNN-训练部分前向传播（Forward）特征提取（Feature
CNN 的两个弊端 自从Alex Krizhevsky 等论文 ImageNet Classification with Deep Convolutional Networks 在 NIPS2012 发表开始，CNN 已经成为很多领域十分重要的工具，深度学习已很普遍. 基于 CNN 的方法已经在计算机视觉的诸多任务中取得了卓越的成绩. 但，CNN 是完美的吗？是能选择的最佳方案吗？当然不
转载
2024-05-05 17:40:16
263阅读
前言： 主要总结一下自己最近看文章和代码的心得。 1. CNN用于分类：具体的过程大家都知道，无非是卷积，下采样，激活函数，全连接等。CNN用于分类要求它的输入图片的大小是固定的（其实不单单是CNN，很多其它的方法也是这样的），这是它的一个不足之处之一。目前的大部分CNN都是用来做分类比较多。 2. CNN用于检测：主要的方法有两种，细分一下有三种，第一种最为简单和暴力的，通过滑动窗口的方法
转载
2024-03-23 10:09:27
48阅读
1.概述 AlexNet包括6000万个参数和65万个神经元，网络结构包括5个卷积层和3个全连接层，最后一个全连接层接1000路softmax层用于分类，其中第1、2卷积层后连接局部响应归一化层(LRN)，第1、2、5卷积层后连接最大池化层。 数据集：ILSVRC(ImageNet子数据集)，包括120万张训练集图片(1000类)，5万张验证集图片和15万张测试集图片； ImageNet数据集：1
转载
2024-06-08 17:14:46
77阅读
CNNs可以自动从(通常是大规模)数据中学习特征，并把结果向同类型未知数据泛化。
选用卷积的原因:
局部感知:
简单来说，卷积核的大小一般小于输入图像的大小（如果等于则是全连接），因此卷积提取出的特征会更多地关注局部 ——
这很符合日常我们接触到的图像处理。而每个神经元其实没有必要对全局图像进行感知，只需要对局部进行感知，
然后在更高层将局部
转载
2024-03-27 21:09:43
125阅读
！！！入门级选手的博客，请带着做英语短文改错的眼光来看 一、卷积神经网络CNN二、支持向量机SVM三、Adaboost（通过迭代弱分类器而产生最终的强分类器的算法)四、算法优缺点及其发展趋势（1）CNN最大优点是权值共享，减少了计算时间，CNN处理图像可以把原图直接输入网络，特征提取也简单，因为会简化处理，加快处理速度。 缺点：实现相对复杂，网络训练时间长而且由于其泛化性，要对处理的样
转载
2023-10-13 17:27:32
148阅读
一、卷积神经网络 – CNN，最擅长的就是图片的处理，它受到人类视觉神经系统的启发。目前 CNN 已经得到了广泛的应用，比如：人脸识别、自动驾驶、美图秀秀、安防等很多领域。在 CNN 出现之前，图像对于人工智能来说是一个难题，有2个原因：图像需要处理的数据量太大，导致成本很高，效率很低图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高而CNN的出现解决了上述问题，即 「将复杂问题简化
转载
2024-04-29 11:49:42
51阅读
【新智元导读】微软和京东最近出了一个黑科技：说一句话就能生成图片！在这项研究中，研究人员提出了一种新的机器学习框架——ObjGAN，可以通过关注文本描述中最相关的单词和预先生成的语义布局(semantic layout)来合成显著对象。不会PS还想做图？可以的！近期，由纽约州立大学奥尔巴尼分校、微软研究院和京东AI研究院合作的一篇文章就可以实现这个需求：只需要输入一句话，就可以生成图片！
转载
2024-08-13 16:02:42
84阅读
CNN与FCN区别1 CNN从图像级别的分类 FCN像素级别的分类2 CNN网络在卷积之后会接上若干个全连接层，映射成固定长度的特征向量 FCN将传统CNN中的全连接层转化成一个个的卷积层3 FCN可以接受任意尺寸的输入图像CNN： 通常cnn网络在卷积之后会接上若干个全连接层，将卷积层产生的特征图（featur
转载
2024-04-26 16:10:01
72阅读
1 卷积神经网络CNN简介卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域
转载
2024-03-22 14:01:48
166阅读
一、概述 CNN主要发展过程可由下图所示。（下图来自刘昕博士）《CNN的近期进展与实用技巧》。 本文的目的不止于此，本文将深入理解CNN的四大类应用：图像分类模型，目标检测模型，语义分割模型，语义slam模型：图像分类模型叙述步骤如下：CNN之前模型->leNet->AlexNet->VGG16系列->MSRANet->GoogLeNet->Inception系
转载
2024-03-25 17:37:14
42阅读
预训练模型的微调过程。
上一节中，我们利用了预训练的VGG网络卷积基，来简单的提取了图像的特征，并用这些特征作为输入，训练了一个小分类器。这种方法好处在于简单粗暴，特征提取部分的卷积基不需要训练。但缺点在于，一是别人的模型是针对具体的任务训练的，里面提取到的特征不一定适合自己的任务；二是无法使用图像增强的方法进行端到端的训练。因此，更为常用的一种方法是预
转载
2024-04-21 19:09:26
48阅读
测试的是Cifar10数据集，采用VGG模型的网络参数是[32, 'M', 64, 'M', 128, 128, 'M', 256, 256, 'M', 256, 256],准确度大概在90.6左右1、将输入图片分割为左右两部分，分别进行卷积运算，最后全连接层再将两部分结合在一起，最后观察准确度。准确度大概在88.8左右。开始时分析，这样只是中间的部分信息没有进行融合，后面再去思考的时候发现是&n
转载
2023-10-19 06:42:48
139阅读
Pytorch中CNN图像处理学习代码import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
# torchvision是独立于pytorch的关于图像操作的一些方便工具库。
转载
2024-06-03 10:17:28
94阅读
FCN(Fully Convolutional Networks),U-Net(Biomedical Image Segmentation),Mask RCNN(Instan Segmentation by FCN Mask Layer)分析总结相关工作 我们知道，CNN有很出色的特征提取能力，避免了人工提取特征的局限性，这也意味着CNN有很好的分类性能，它解决了图像识别的一大难题。那这么强大的
转载
2024-03-22 16:00:46
44阅读
利用DCGAN-生成对抗网络和CNN-卷积神经网络对图像进行训练和分类总体流程步骤一、图像处理部分如下图，分别是由SAR卫星获取的极化SAR图像及其标签图 根据不同的颜色标签（红、绿、黄、白）可以将原图分为四个部分(下图只有三部分，白色区域图片没有展示) 对于图片中有效区域进行裁切分割，按照类型分别存储在不同的文件夹中作为训练数据。二、训练GAN网络生成模拟图像 每次运行该程序选择某一
转载
2024-08-08 10:43:48
49阅读
理解 CNN注意：下面提到的图像指位图 目录理解 CNNCNN人类的视觉原理几个关键层卷积层(fliter、kernel)池化层 (pooling)激活层(activate)全连接层(Linear)pytorch实现TextCNN卷积传播图解不同视角看CNN参考 CNN卷积神经网络-CNN 最擅长的就是图片的处理。它受到人类视觉神经系统的启发。CNN的两大特点：能够有效的将大数据量的图片降维成小数
转载
2024-05-06 15:27:27
79阅读
