正文內(nèi)容

機(jī)器視角--揭秘圖像處理和卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)(編輯修改稿)

2024-09-13 12:42 本頁(yè)面

　

【文章內(nèi)容簡(jiǎn)介】要的噪點(diǎn)進(jìn)行模糊化。先對(duì)權(quán)值進(jìn)行學(xué)習(xí)，然后損失函數(shù)可以被最小化，類似于多層感知機(jī)（MLP）。因此需要通過對(duì)參數(shù)進(jìn)行學(xué)習(xí)來(lái)從原始圖像中提取信息，從而來(lái)幫助網(wǎng)絡(luò)進(jìn)行正確的預(yù)測(cè)。當(dāng)我們有多個(gè)卷積層的時(shí)候，初始層往往提取較多的一般特征，隨著網(wǎng)絡(luò)結(jié)構(gòu)變得更深，權(quán)值矩陣提取的特征越來(lái)越復(fù)雜，并且越來(lái)越適用于眼前的問題。步長(zhǎng)（stride）和邊界（padding）的概念像我們?cè)谏厦婵吹降囊粯?，過濾器或者說(shuō)權(quán)值矩陣，在整個(gè)圖像范圍內(nèi)一次移動(dòng)一個(gè)像素。我們可以把它定義成一個(gè)超參數(shù)（hyperparameter），從而來(lái)表示我們想讓權(quán)值矩陣在圖像內(nèi)如何移動(dòng)。如果權(quán)值矩陣一次移動(dòng)一個(gè)像素，我們稱其步長(zhǎng)為1。下面我們看一下步長(zhǎng)為2時(shí)的情況。你可以看見當(dāng)我們?cè)黾硬介L(zhǎng)值的時(shí)候，圖像的規(guī)格持續(xù)變小。在輸入圖像四周填充0邊界可以解決這個(gè)問題。我們也可以在高步長(zhǎng)值的情況下在圖像四周填加不只一層的0邊界。我們可以看見在我們給圖像填加一層0邊界后，圖像的原始形狀是如何被保持的。由于輸出圖像和輸入圖像是大小相同的，所以這被稱為samepadding。這就是samepadding（意味著我們僅考慮輸入圖像的有效像素）。中間的4*4像素是相同的。這里我們已經(jīng)利用邊界保留了更多信息，并且也已經(jīng)保留了圖像的原大小。多過濾與激活圖需要記住的是權(quán)值的縱深維度（depthdimension）和輸入圖像的縱深維度是相同的。權(quán)值會(huì)延伸到輸入圖像的整個(gè)深度。因此，和一個(gè)單一權(quán)值矩陣進(jìn)行卷積會(huì)產(chǎn)生一個(gè)單一縱深維度的卷積化輸出。大多數(shù)情況下都不使用單一過濾器（權(quán)值矩陣），而是應(yīng)用維度相同的多個(gè)過濾器。每一個(gè)過濾器的輸出被堆疊在一起，形成卷積圖像的縱深維度。假設(shè)我們有一個(gè)32*32*3的輸入。我們使用5*5*3，帶有validpadding的10個(gè)過濾器。輸出的維度將會(huì)是28*28*10。如下圖所示：激活圖是卷積層的輸出。池化層有時(shí)圖像太大，我們需要減少訓(xùn)練參數(shù)的數(shù)量，它被要求在隨后的卷積層之間周期性地引進(jìn)池化層。池化的唯一目的是減少圖像的空間大小。池化在每一個(gè)縱深維度上獨(dú)自完成，因此圖像的縱深保持不變。池化層的最常見形式是最大池化。在這里，我們把步幅定為2，池化尺寸也為2。最大化執(zhí)行也應(yīng)用在每個(gè)卷機(jī)輸出的深度尺寸中。正如你所看到的，最大池化操作后，4*4卷積的輸出變成了2*2。讓我們看看最大池化在真實(shí)圖片中的效果如何。正如你看到的，我們卷積了圖像，并最大池化了它。最大池化圖像仍然保留了汽車在街上的信息。如果你仔細(xì)觀察的話，你會(huì)發(fā)現(xiàn)圖像的尺寸已經(jīng)減半。這可以很大程度上減少參數(shù)。同樣，其他形式的池化也可以在系統(tǒng)中應(yīng)用，如平均池化和L2規(guī)范池化。輸出維度理解每個(gè)卷積層輸入和輸出的尺寸可能會(huì)有點(diǎn)難度。以下三點(diǎn)或許可以讓你了解輸出尺寸的問題。有三個(gè)超參數(shù)可以控制輸出卷的大小。1.過濾器數(shù)量輸出卷的深度與過濾器的數(shù)量成正比。請(qǐng)記住該如何堆疊每個(gè)過濾器的輸出以形成激活映射。激活圖的深度等于過濾器的數(shù)量。2.步幅（Stride）如果步幅是1，那么我們處理圖片的精細(xì)度就進(jìn)入單像素級(jí)別了。更高的步幅意味著同時(shí)處理更多的像素，從而產(chǎn)生較小的輸出量。3.零填充（zeropadding）這有助于我們保留輸入圖像的尺寸。如果添加了單零填

點(diǎn)擊復(fù)制文檔內(nèi)容

黨政相關(guān)相關(guān)推薦

基于bp神經(jīng)網(wǎng)絡(luò)的脈沖噪聲圖像恢復(fù)方法-資料下載頁(yè)

【總結(jié)】摘要在信息化的社會(huì)里，圖像在信息傳播中所起的作用越來(lái)越大，而數(shù)字圖像在獲取與傳播中，可能會(huì)受到脈沖噪聲的污染。所以，消除產(chǎn)生的噪聲，保證圖像受污染度最小，成了數(shù)字圖像處理領(lǐng)域里的重要部分。本文主要針對(duì)數(shù)字圖像的脈沖噪聲污染問題，采用一種窗口自適應(yīng)開關(guān)中值濾波方法消除噪聲。利用BP神經(jīng)網(wǎng)絡(luò)將圖像中的每個(gè)像素點(diǎn)分類為信號(hào)點(diǎn)或噪聲點(diǎn)，再采用改進(jìn)的中值濾波器對(duì)檢測(cè)后的圖像進(jìn)行濾波處理，根據(jù)

2025-06-19 15:42

有監(jiān)督和bp神經(jīng)網(wǎng)絡(luò)(1)-資料下載頁(yè)

【總結(jié)】第七講基于神經(jīng)元網(wǎng)絡(luò)的智能控制提要Outline?生物神經(jīng)元和神經(jīng)系統(tǒng)?人工神經(jīng)元和神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型?神經(jīng)網(wǎng)絡(luò)系統(tǒng)分類?BP網(wǎng)絡(luò)的學(xué)習(xí)算法?神經(jīng)網(wǎng)絡(luò)系統(tǒng)的公開問題生物神經(jīng)元和神經(jīng)系統(tǒng)?生物神經(jīng)元的結(jié)構(gòu)：一個(gè)神經(jīng)元由樹突、軸突和細(xì)胞體三部分組成。樹突：是神經(jīng)元的輸入部分，它接受來(lái)自其它神

2025-01-06 05:21

基于sofm和lvq神經(jīng)網(wǎng)絡(luò)的矢量量化圖像壓縮畢業(yè)論文-資料下載頁(yè)

【總結(jié)】I基于SOFM和LVQ神經(jīng)網(wǎng)絡(luò)的矢量量化圖像壓縮摘要矢量量化作為一種高效的數(shù)據(jù)壓縮技術(shù)，已被廣泛應(yīng)用于圖像壓縮領(lǐng)域。本文在系統(tǒng)介紹矢量量化數(shù)據(jù)壓縮理論的基礎(chǔ)上，著重探討了矢量量化的關(guān)鍵技術(shù)——碼書設(shè)計(jì)算法：1.回顧了經(jīng)典的矢量量化碼書設(shè)計(jì)算法——LBG算法，研究了基于競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)SOFM和LVQ的矢

2025-02-26 10:19

技術(shù)及工程應(yīng)用講稿5(人工神經(jīng)網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)控制)-資料下載頁(yè)

【總結(jié)】人工神經(jīng)網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)控制陸寶春2023年11月人工神經(jīng)網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)控制1人工神經(jīng)網(wǎng)絡(luò)概述2人工神經(jīng)網(wǎng)絡(luò)發(fā)展3人工神經(jīng)網(wǎng)絡(luò)模型4神經(jīng)網(wǎng)絡(luò)的工作方式及其特點(diǎn)5神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)開發(fā)過程6人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用7神經(jīng)網(wǎng)絡(luò)控制8凈水廠最佳投藥量的神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)9神經(jīng)網(wǎng)絡(luò)控制中有

2025-02-28 14:04

神經(jīng)網(wǎng)絡(luò)期終論文基于遺傳-bp神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識(shí)別-資料下載頁(yè)

【總結(jié)】1研究生課程期終論文課程名稱：神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)任課教師：彭洪論文題目：基于遺傳-BP神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識(shí)別姓名：

2025-06-05 07:07

matlab神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)-資料下載頁(yè)

【總結(jié)】MATLAB神經(jīng)網(wǎng)絡(luò)工具箱介紹及實(shí)驗(yàn)要求神經(jīng)元模型NeuronModel：多輸入，單輸出，帶偏置?輸入:R維列向量1[,]TRpp?p?權(quán)值:R維行向量111[,]Rww?wb閾值:標(biāo)量?求和單元11Riiinpwb?????傳遞函數(shù)f?輸出(

2025-05-25 22:54

人工神經(jīng)網(wǎng)絡(luò)算法-資料下載頁(yè)

【總結(jié)】?神經(jīng)網(wǎng)絡(luò)幾乎與AI同時(shí)起步，但30余年來(lái)卻并未取得人工智能那樣巨大的成功，中間經(jīng)歷了一段長(zhǎng)時(shí)間的蕭條。直到80年代，獲得了關(guān)于人工神經(jīng)網(wǎng)絡(luò)切實(shí)可行的算法，以及以VonNeumann體...

2024-10-01 10:21

神經(jīng)網(wǎng)絡(luò)論文資料-資料下載頁(yè)

【總結(jié)】神經(jīng)網(wǎng)絡(luò)?神經(jīng)網(wǎng)絡(luò)的概念泛指生物神經(jīng)網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)?生物神經(jīng)網(wǎng)絡(luò)由中樞神經(jīng)系統(tǒng)（腦和脊髓）及周圍神經(jīng)系統(tǒng)（感覺、運(yùn)動(dòng)、交感等）所構(gòu)成的錯(cuò)綜復(fù)雜的神經(jīng)網(wǎng)絡(luò)，最重要的是腦神經(jīng)系統(tǒng)。?人工神經(jīng)網(wǎng)絡(luò)(ANN)由大量簡(jiǎn)單的處理單元廣泛地互相連接而形成地復(fù)雜網(wǎng)絡(luò)系統(tǒng)，以簡(jiǎn)化，抽象，和模擬人腦神經(jīng)網(wǎng)絡(luò)。概述概述

2025-01-04 15:18

neurosolutions神經(jīng)網(wǎng)絡(luò)軟-資料下載頁(yè)

【總結(jié)】NeuroSolutions類神經(jīng)網(wǎng)路模擬介紹決策分析研究室何謂類神經(jīng)網(wǎng)路類神經(jīng)網(wǎng)路的靈感源自於腦神經(jīng)學(xué)，其基本概念是希望透過模擬人腦結(jié)構(gòu)的方式來(lái)建立新一代的電腦處理模式。(中山大學(xué)機(jī)電系嚴(yán)成文教授)運(yùn)用電腦（軟、硬體）來(lái)模擬生物大腦神經(jīng)的人工智慧系統(tǒng)，並將此應(yīng)用於辨識(shí)、決策、控制、預(yù)測(cè)，???等等。(真理大學(xué)

2025-05-25 22:58

人工神經(jīng)網(wǎng)絡(luò)概念-資料下載頁(yè)

【總結(jié)】人工神經(jīng)網(wǎng)絡(luò)ArtificialNeuralNetwork機(jī)自1003人工神經(jīng)網(wǎng)絡(luò)的基本概念:定義：人工神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的簡(jiǎn)單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對(duì)真實(shí)世界物體所作出的交互反應(yīng)。它的

2025-07-24 21:58

基于matlab的bp神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像識(shí)別-資料下載頁(yè)

【總結(jié)】基于MATLABBP神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像識(shí)別基于MATLABBP神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像識(shí)別【摘要】隨著現(xiàn)代社會(huì)的發(fā)展，信息的形式和數(shù)量正在迅猛增長(zhǎng)。其中很大一部分是圖像，圖像可以把事物生動(dòng)的呈現(xiàn)在我們面前，讓我們更直觀地接

2025-06-23 22:47

神經(jīng)網(wǎng)絡(luò)ppt課件-資料下載頁(yè)

【總結(jié)】神經(jīng)網(wǎng)絡(luò)控制電信學(xué)院周強(qiáng)第一章引言人工神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)介人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史人工神經(jīng)元的模型人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與學(xué)習(xí)規(guī)則人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)介人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）即，神經(jīng)網(wǎng)絡(luò)（NeuralNetwor

2025-01-08 05:15

人工神經(jīng)網(wǎng)絡(luò)概述-資料下載頁(yè)

【總結(jié)】第8章人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）第8章人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)概述神經(jīng)元模型ANN的學(xué)習(xí)算法應(yīng)用舉例一、人工神經(jīng)網(wǎng)絡(luò)的提出AI研究的兩大學(xué)派：?符號(hào)主義——用計(jì)算機(jī)從外特性上模仿人腦宏觀的功能?連

2025-02-26 15:30

神經(jīng)網(wǎng)絡(luò)pid控制-資料下載頁(yè)

【總結(jié)】1神經(jīng)網(wǎng)絡(luò)PID控制圖一神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)結(jié)構(gòu)圖一、方案一2)()(1kekx?)1()()()(2?????kekekekx)2()1(2)()()(23???????kekekekekx)()()(kykrke????控制的結(jié)構(gòu)。具有增量加權(quán)和。由此可見，為輸入信號(hào)的為權(quán)系數(shù)，式中的輸出

2025-08-07 11:15

人工神經(jīng)網(wǎng)絡(luò)模板-資料下載頁(yè)

【總結(jié)】模糊神經(jīng)網(wǎng)絡(luò)法及其在缺陷模式識(shí)別中的應(yīng)用21:5821:58（1）在制造過程中，冷軋帶鋼表面出現(xiàn)邊緣鋸齒、焊縫、夾雜、抬頭紋、輥印、氧化皮、空洞、刮傷等不同類型的缺陷，直接影響最終產(chǎn)品的質(zhì)量和性能。（2）缺陷圖像的模式識(shí)別是冷軋帶鋼表面缺陷檢測(cè)的關(guān)鍵。（3）在現(xiàn)場(chǎng)惡劣環(huán)境下，圖像噪聲較大，圖像亮度差異較大，圖像紋理變化復(fù)雜，規(guī)律性