卷积神经网络(CNN)

图像数据和边缘检测
image.png

上图错字:达到瓶颈了

感受野
image.png
边缘检测
image.png

image.png

image.png
卷积神经网络(CNN)原理
image.png
卷积层
image.png

image.png

H:长,W:宽,F:卷积核大小,P:零填充,S:步长,K:filter卷积核数量
卷积运算过程(例):


image.png

image.png

image.png
padding-零填充
image.png

image.png
Vaild and Same卷积
image.png

N:图片大小,F:卷积核大小,P:零填充

奇数维度的过滤器
image.png
stride-步长
image.png

image.png

括号内表示长宽

多通道卷积
image.png
多卷积核
image.png
一些练习

1:


image.png

2:


image.png

image.png
池化层
image.png

最大池化:


image.png

平均池化:


image.png
SoftPool池化层

SoftPool是一种变种的池化层,它可以在保持池化层功能的同时尽可能减少池化过程中带来的信息损失。
池化算法的变种:


image.png

上图展示了多个变种的池化层,具体包括Average Pooling、Max Pooling、Power Average Pooling、Stochastic Pooling、S3 Pooling、Local Importance Pooling与SoftPool。通过观察我们可以发现:(1)其它的池化操作基本都是在最大池化或者平均池化的变种;(2)S3池化操作的思路与最大池化类似;(3)其它的池化操作基本都是平均池化的变种;(4)Local Importance Pooling与SoftPool池化操作的思路类似,都给原图的区域计算了对应的区域,并进行了累计操作。

SoftPool计算
image.png

image.png

通过观察我们可以得出以下的初步结论:(1)与原图相比,SoftPool操作能够保留原图中更多的细节,Avg池化次之,Max池化丢失的信息最多;(2)从计算复杂度来讲,SoftPool的复杂度最高,Avg池化次之,Max池化最低。


image.png

image.png

SoftPool是一种变种的池化层,它可以在保持池化层功能的同时尽可能减少池化过程中带来的信息损失。大量的实验结果表明该算法的性能优于原始的Avg池化与Max池化。

全连接层
image.png
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。

推荐阅读更多精彩内容