图像识别中卷积神经网络“卷积”的作用

1、单一的像素点包含的信息是无意义的
2、人在看一个画面时，不会是一眼就能获取所有信息的，而是通过聚焦中心，确定感受野，通过不断调整聚焦中心位置，放大、缩小感受野，从而获得源源不断的图片信息（聚焦中心点和感受野的确定，是要有算法优化的，否则会增加耗时）
3、2中优化的方式是通过对某一聚焦中心点、感受野“卷积”来确定的，是否需要优化，以何种方式优化，在判断之前就需要确定一个卷积的方式——即卷积核（像素长宽、核数字）
4、人在看东西的时候，是有记忆的，我们瞬间的视野比例大约为16：9，但是如果有东西超出了这个比例时，我们会进行“追踪”，比如通过连续的轮廓、色彩等，追踪后，在我们的记忆中产生了一个完整的物体，我们再对这个物体使用特定的卷积核去进行判断属于什么物体
4、一个画面一旦进入人类视野时，人类马上就会调用一种卷积核去判断，我把它称为“初判卷积核”，它的作用就是初步确定，这个物体可能是什么，然后接下来去调用可能的物体的卷积核去进一步判断，通过局部扫描的方式，去逐步确认，其间，也是可以根据实时扫描得到的结果更换卷积核的
5、像素点只有组合起来，它才是有信息量的
6、不论是整体特征还是局部特征，都是需要用卷积核去提取的（整体还是局部，只是一个泛的概念，正确的描述应为卷积核的大小）
7、cnn的缺陷？
8、人眼是基于三维成像的，像素的纵深在某一程度上也辅助了识别，是否能将带有深度功能的摄像头采集的深度图（包含每个像素点距离观察点的纵深），与RGB图共同加入训练？

图像识别中卷积神经网络“卷积”的作用相关推荐

神经网络卷积神经网络,卷积神经网络吴恩达
吴恩达的人物经历吴恩达1976年出生于伦敦,父亲是一位香港医生,英文名叫AndrewNg,吴恩达年轻时候在香港和新加坡度过. 1992年吴恩达就读新加坡莱佛士书院,并于1997年获得了卡内基梅隆大学 ...
卷积神经网络---卷积层、激励层、池化层以及全连接层
文章目录概述卷积神经网络局部连接+权值共享** 输入层卷积层激励层池化层全连接层参考资料概述这两天在看论文,涉及到卷积神经网络的知识,之前一直对这块迷迷糊糊.看到了一篇博文写的很好 ...
【卷积神经网络--卷积/池化后特征图大小计算公式】
[卷积神经网络–卷积/池化后特征图大小计算公式] 参考链接: 卷积神经网络系列之卷积/池化后特征图大小怎么计算?? torch中的Conv2d卷积的输入的Tensor张量是:[batch, chann ...
卷积神经网络各层的意义,卷积神经网络各层作用
1.卷积神经网络结构基本单元层有哪些? 输入层:输出特征矩阵卷积层:进行卷积运算池化层:进行pooling缩小维度中间激活层:可有可无,一般为ReLU类的计算简单的激活函数对特征值修正这里卷积 ...
卷积神经网络——卷积神经网络基础
背景:计算机视觉是一个包含很广泛的领域,包含了日常生活中所有可视化的1维,2维,3维数据,例如心跳脉冲的检测(1维),目标检测.人脸识别(2维),3维场景重建.虚拟现实(3维)等,但是处理这些数据时往 ...
神经网络与卷积神经网络,卷积神经网络运用
1.有哪些深度神经网络模型? 目前经常使用的深度神经网络模型主要有卷积神经网络(CNN) .递归神经网络(RNN).深信度网络(DBN) .深度自动编码器(AutoEncoder) 和生成对抗网络(G ...
卷积网络和卷积神经网络,卷积神经网络三大特点
前馈神经网络.BP神经网络.卷积神经网络的区别与联系一.计算方法不同1.前馈神经网络:一种最简单的神经网络,各神经元分层排列.每个神经元只与前一层的神经元相连.接收前一层的输出,并输出给下一层．各层 ...
医学图像处理医学图像处理-卷积神经网络卷积神经网络_典型的深度学习算法（一）：卷积神经网络（CNN）...
通过上一篇文章,相信大家对深度学习的概念.原理已经有了大致了解,近期企通查将会对深度学习中的几种典型算法进行介绍. 在深度学习领域中,已经验证的典型成熟算法有卷积神经网络(CNN).循环神经网络(RN ...
卷积神经网络(卷积层，激活函数Relu,池化层，计算公式及API解释)
1. 卷积神经网络 (卷积层,激活函数,池化层,全连接层) (1) 把神经网络的隐藏层分为卷积层和池化层(又叫下采样层) · 卷积层 : 通过在原始图像上平移来提取特征 · 池化层 : 通过特征 ...
卷积神经网络卷积,池化,全连接--笔记01
1.图像是由像素构成的,每个像素又是由颜色构成的假如我们处理一张 1000×1000 像素的图片,我们就需要处理3百万个参数! 1000×1000×3=3,000,000 卷积神经网络 - CNN ...

图像识别中卷积神经网络“卷积”的作用

图像识别中卷积神经网络“卷积”的作用相关推荐

最新文章

热门文章