疯子游戏助手,本文看懂卷积神经网络-CNN(基础理论 特有价值 真实应用)-安博电竞入口-安博电竞APP下载ios-anggame安博电竞官网

暖心故事 181℃ 0

卷积神经网络 – CNN 最拿手的便是图片的处理。它遭到人类视觉神经体系的启示。

CNN 有2大特色:

能够有用的将大数据量的图片降维成小数据量

能够有用的保存图片特征,契合图片处理的准则

现在 CNN 现已得到了广泛的运用,比方:人脸辨认、自动驾驶、石头花园的歌女美图秀秀、安防等许多范畴。

CNN 处理了什么问题?

在 CNN 呈现之前,图画关于人工智能来说是一个难题,有2个原因:

图画需求处理的数据量太大,导致本钱很高,功率很低

图画在数字化的进程中很难保存原有的特征,导致图画处理的精确率不高

下面就详细阐明一下这2个问题:

需求处理的数据量太大

图画是由像素构成的,每个像素又是由色彩构成的。



现在马马虎虎一张图片都是 10001000 像素以上的, 每个像素都有RGB 3个参数来表明色彩信息。

假设咱们处理一张 10001000 像素的图片,咱们就需求处理3百万个参数!

100010003=3,000,000

这么许多的数据处理起来是十分耗费资源的,而且这仅仅一张不算太大的图片!百度三国杀

卷积神经网络 – CNN 塞舌尔处理的第一个问题便是「将复杂问题简化」,把许多参数降维成少数参数,再做处理。

更重要的是:咱们在大部分场景下,降维并不会影响成果。比方1000像素的图片缩小成200像素,并不影响肉眼认出来图片中是一廖碧儿只猫仍是一只狗,机器也是如此。

保存图画特征

图片数字化的传统方法咱们简化一下,就相似下图的进程:



图画简略数字化无法保存图画特张榕容征

假设有圆形是1,没有圆形是0,那么圆形的方位不同就会发生彻底不同的数据表达。可是从视觉的视点来看,图画的内容(实质)并没有发生改变,仅仅方位发生了改变

所以当咱们移动图画中的物体,用传统的方法的得出来的参数会差异很大!这是不契合图画处理的要求的。

而 CNN 处理了这个问题,他用相似视觉的方法保存了图画的特征,当图画做翻莲花图片转,旋转或许变换方位时,它也能有用的辨认出来是相似的图画。

那么卷积神经网络是怎么完成的呢?在咱们了解 CNN 原理之前,先来看看人类的视觉原理是什么?

人类的视觉原理

深度学习的许多研讨成果,离不开对大脑认知原理的研讨,尤其是视觉原理的研讨。

1疯子游戏帮手,本文看懂卷积神经网络-CNN(根底理论 特有价值 实在运用)-安博电竞进口-安博电竞APP下载ios-anggame安博电竞官网981 年的诺贝尔医学奖,颁发给了 David Hubel(出生于加拿大的美国神经生物学家) 和TorstenWiesel,以及 Roger Sperry。前两位的首要奉献,是“发现了视觉体系的信息处理”,可视皮层是传l姓小鲜肉吸毒分级的。

人类的龙哥挥刀视觉原理如下:从原始信号摄入开端(瞳孔摄入像素 Pixels),接着做开始处理(大脑皮层某些细胞发现边际和方向),然后笼统(大脑断定,眼前的物体的形状,是圆形的),然后进一步笼统(大脑进一步断定该物体是只气球)。下面是人脑进行人脸辨认的一个示例:



人类视觉原理1

关于不同的物体,人类视觉也是通过这样逐层分级,来进行认知的:



人类视觉原理2

咱们能够看到,在最底层特征基本上是相似的,便是各种边际,越往上,越能提取出此类物体的一些特征(轮子、眼睛、躯干等吉祥帝豪gt),到最上层,不同的高档特征终究组合成相应的图画,然后能够让人类精确的区别不同的物体。

那么咱们能够很天然的想到:能够不能够仿照人类大脑的这个特色,结构多层的神经网络,较低层的辨认初级的图游戏盒下载像特征,若干底层特征组成更上一层特征,终究通过多个层级的组合,终究在顶层做出分类呢?

答案是必定的,这也是许多深度学习算法(包含CNN)的创意来历。

卷积神经网络-CNN 的基本原理

典型的 CNN 由3个部分构成:

卷积层

池化层

全衔接层

假如简略来描绘的话:

卷积层担任提取疯子游戏帮手,本文看懂卷积神经网络-CNN(根底理论 特有价值 实在运用)-安博电竞进口-安博电竞APP下载ios-anggame安博电竞官网图画中的部分特征;池化层用来大幅下降参数量级(降维);全衔接层相似传统神经网络的部分,用来输出想要的成果。



典型的 CNN 由3个部分构成

下面的原了解说为了通俗易懂,疏忽了许多技术细节,假如咱们对详细的原理感兴趣,能够看这个视频《卷积神经网络根底》。

卷积——提取特征

卷积层的运算进程如下图,用一个卷积核扫完好张图片:



卷积层运算进程

这个进程咱们能够了解为咱们运用一个过滤器(卷积核)来过滤图画的各个小斜视区域,然后得到这些小区域的特征值。

在详细运用中,往往有多个卷积核,能够以为,每个卷积核疯子游戏帮手,本文看懂卷积神经网络-CNN(根底理论 特有价值 实在运用)-安博电竞进口-安博电竞APP下载ios-anggame安博电竞官网代表了一种图画形式,假如某个图画块与此卷积核卷积出的值大,则以为此图画块十分挨近于此卷积核。疯子游戏帮手,本文看懂卷积神经网络-CNN(根底理论 特有价值 实在运用)-安博电竞进口-安博电竞APP下载ios-anggame安博电竞官网假如咱们规划了6个卷积核,能够了解:咱们认疯子游戏帮手,本文看懂卷积神经网络-CNN(根底理论 特有价值 实在运用)-安博电竞进口-安博电竞APP下载ios-anggame安博电竞官网为这个图画上有6种底层纹路形式,也便是咱们用6中根底形式就能描绘出一副图画。以下便是25种不同的卷积核的示例:



25种不同的卷积核

总结:卷积层的通过卷积核的过滤提取出图片我的东方天使中部分的特征,跟上面说到的人类视觉的特征提取相似。

池化层(下采样)——数据降emotiona什么意思维,防止过拟合

池化层简略说便是下采样,他能够大大下降数据的维度。其进程如下:



池化层进程

上图中,咱们能够看到,原始图片是梁逸峰2020的,咱们对其进行下新闻学采样,采样窗口为1010,终究将其下采样成为一个22巨细的特征图。

之所以这么做的原因,是因为即便做完了卷积,图画依然很大(因梅州五指山为卷积核比较小),所以为了下降数据维度,就进行下采样。

总结:池化层比较卷积层能够更有用的下降数据维度,这淮阴师范学院么做不光能够大大削减运算量,还能够有用的防止过拟合。

全衔接层——输出成果

这个部分便是终究一步了,通过卷积层和池化层处理过的数据输入到全衔接层,得到终究想要的成果。

通过卷积层和池化层降维过的数据,全衔接层才干”跑得动”,否则数据量太大,核算成迪克牛仔女儿本高,功率低下。



全衔接层

典型的 CNN 并非仅仅上面说到的3层结构,而是多层结构,例如 LeNet-5 的结构就如下图所示:

卷积层 – 池化层- 卷积层 – 池化层 – 卷积层 – 全衔接层

在了解了 CNN 的基本原理儿歌三百首后,咱们要点说一下 CNN疯子游戏帮手,本文看懂卷积神经网络-CNN(根底理论 特有价值 实在运用)-安博电竞进口-安博电竞APP下载ios-anggame安博电竞官网 的实践运用有哪些。

CNN 有哪些实践运用?

卷积神经网络 – CNN 很拿手处理图画。而视频是图画的叠加,所以相同拿手处理视频内容。下面给咱们列一些比较老练的运用:

图画分类、检索

图画分类是比较根底的运用,他能够节约许多的人工本钱,将图画进行有用的分类。关于一些特定范畴的图片,分类的精确率能够到达 95%+,现已算是一个可用性很高的运用了。

典型场景:图画查找…



CNN运用-图画分类、检索

方针定位检测

能够在图画中定位方针,并确认方针的方位及巨细。

典型场景:自动驾驶、安防、医疗…



CNN运用-方针定位检测

方针切割

简略了解便是一个像素级的分类。

他能够对远景和布景进行像素级的区别、再高档一点还能够辨认出方针而且对方针进行分类。

典型场景:美图秀秀、视频后期加工、图画生成…



CNN运用-方针切割

人脸辨认

人脸辨认现已是一个十分遍及的运用了,在许多范畴都有广泛的运用。

典型场景:安防、金融、日子…



CNN运用-人脸辨认

骨骼辨认

骨骼辨认是能够辨认身体的要害骨骼,以及追寻骨骼的动作。

典型场景:安防、电影、图画视频生成、游戏…



CNN运用-骨骼辨认

总结

今日咱们介绍了 CNN 的价值、基本原理和运用场景,简略总结如下:

CNN 的价值:

能够将大数据量的图片有用的降维成小数据量(并不影响成果)

能够保存图片的特征,相似人类的视觉原理

CNN 的基本原理:

卷积层 – 首要效果是保存图片的特征

池化层 – 首要效果疯子游戏帮手,本文看懂卷积神经网络-CNN(根底理论 特有价值 实在运用)-安博电竞进口-安博电竞APP下载ios-anggame安博电竞官网是把数据降维,能够有用的防止过拟合

全衔接层 – 依据不同使命输出咱们想要的成果

CNN 的实践运用:

图片分类、检索

方针定位检测

方针切割

人脸辨认

骨骼辨认


本文首发在 easyAI - 人工智能知识库

《一文看懂卷积神经网络-CNN(基本原理+共同价值+实践运用)》

标签: 白启娴亚室会