卷积神经网络（CNN）图像识别知识总结

最近研究了一些卷积神经网络方面的知识，研究了CNN算法实现图像识别，做一些总结。

图像识别技术是人工智能的一个重要领域，它是对图像中的对象进行识别，以识别各种不同模式的目标和对象的技术。近几年，图像识别有了进一步发展，并应用到许多场景中。而且随着智能化的发展，越来越多的人意识到，利用计算机高速的计算能力来解决生活中一些高难度和高风险的问题，能够节约人力资源，提高执行效率，图像识别是智能化的表现之一，主要包括图像信息处理和数据信息的提取等内容，此外，图像数据处理还能够根据图像的特点对其进行判断匹配，让用户能够更加快速的在图片中搜索自己想要获取的信息。目前，图像识别技术的应用范围在不断扩大，并在逐步遍及多个领域。

图像识别技术作为一种工具，对人类的生活产生很多便利，现在的识别技术主要在于帮助人们解决一些问题，方便人们更好的处理事务。让机器代替人们去完成复杂繁重的工作，这一思想在机器学习的概念产生之后一直都在，也促进着图像识别的发展和研究。

可以说，机器代替人来完成某些工作是未来的发展趋势。

图像识别通常经过图像预处理（灰度化，格式化，去噪等），图像特征提取（通常就是所说的局部特征和全局特征，在CNN中，经过卷积层和池化层进行局部特征的提取，在之后的全连接层进行特征的综合分类），图像分类。

CNN中，图像的处理一般要经过多个卷积层和降采样层（池化层），以及一两个全连接层。简单地说，图像经过卷积层的卷积核处理提取一部分特征，之后经过池化层中的过滤器提取一部分特征（这部分特征是在卷积层的基础上进一步细化），最后经过全连接层（相当于分类器，有用于二分类任务的SVM，逻辑回归等），得到最终的分类结果。

卷积层：找寻样本特征。

池化层：降低不必要的冗余信息，避免过度拟合。一般采用最大池化（max_pooling），平均池化（mean_pooling）。

全连接层：将所有特征组合到一起组成一个一维数组。

dropout：为了防止过拟合问题，避免噪音和干扰项，随机的将某些特征的权值置零。

过拟合（over fitting）：测试集表现差，训练集表现好。学习的过于仔细，以至于把噪声等干扰特征也学习进去了，泛化能力不好。

欠拟合（under fitting）：测试集和训练集表现都不好。模型过于简单，没有把特征学习完全。

而SVM（支持向量机）模型中的召回率、准确率和F1指标最先适用于二分类任务，对于类似MNIST手写数据集这样一共有10个分类（即0~9）的任务，我们把所有其他的类别看做是阴性（负）样本，创造10个二分类任务。它可以帮我们在海量甚至高维度的数据中，筛选对测试任务最为有效的少数训练样本。这样不仅节省了模型学习所需要的数据内存，同时提高了模型的预测性能。当然，获得此优势需要付出更多的计算代价（CPU资源和计算时间）。所以，在实际使用时，需要权衡利弊，进而完成各自的任务。

数据降维能够规避掉大量的特征冗余和噪声，只是这个过程可能会损失一些有用的模式信息。大量实践证明，相较于损失的部分模型性能，维度压缩能够节省大量用于模型训练的时间。即PCA带来的综合效率更高。

卷积神经网络（CNN）图像识别知识总结相关推荐

卷积神经网络(CNN)基础知识
文章目录卷积神经网络基础知识卷积与互相关卷积一维卷积二维卷积互相关填充与步幅填充步幅卷积神经网络结构和原理详解(见下节) 卷积神经网络基础知识卷积神经网络(Convolution ...
CV：计算机视觉技术之图像基础知识(二)—以python的skimage和numpy库来了解计算机视觉图像基础(图像存储原理-模糊核-锐化核-边缘检测核，进阶卷积神经网络(CNN)的必备基础)
CV:计算机视觉技术之图像基础知识(二)-以python的skimage和numpy库来了解计算机视觉图像基础(图像存储原理-模糊核-锐化核-边缘检测核,进阶卷积神经网络(CNN)的必备基础) 目录 ...
keras中文文档_【DL项目实战02】图像识别分类——Keras框架+卷积神经网络CNN（使用VGGNet）
版权声明:小博主水平有限,希望大家多多指导. 目录: [使用传统DNN] BG大龍:[DL项目实战02]图像分类--Keras框架+使用传统神经网络DNNzhuanlan.zhihu.com [使用 ...
CNN卷积神经网络及图像识别
CNN卷积神经网络及图像识别前言神经网络(neual networks)是人工智能研究领域的一部分,当前最流行的神经网络是深度卷积神经网络(deep convolutional neural ne ...
浅谈基于CNN卷积神经网络的图像识别
目录前言一.卷积神经网络(CNN)是什么? 二.CNN的层次结构 1.输入层 2.卷积层 3.池化层参考文章: 前言卷积神经网络(CNN,有时被称为 ConvNet)是很吸引人的.在短时间内, ...
卷积神经网络CNN各层基本知识
卷积神经网络卷积神经网络(CNN)由输入层.卷积层.激活函数.池化层以及全连接层构成. INPUT(输入层)-CONV(卷积层)-RELU(激活函数)-POOL(池化层)-FC(全连接层) 简单来说 ...
【图像识别】基于卷积神经网络cnn实现银行卡数字识别matlab源码
1 基于卷积神经网络cnn实现银行卡数字识别模型模型参考这里. 2 部分代码 %印刷体识别 clc;clear;close all; addpath('util/'); addpath('data/ ...
【图像识别】基于卷积神经网络CNN手写数字识别matlab代码
1 简介针对传统手写数字的随机性,无规律性等问题,为了提高手写数字识别的检测准确性,本文在研究手写数字区域特点的基础上,提出了一种新的手写数字识别检测方法.首先,对采集的手写数字图像进行预处理,由于 ...
python卷积神经网络cnn的训练算法_【深度学习系列】卷积神经网络CNN原理详解(一)——基本原理...
上篇文章我们给出了用paddlepaddle来做手写数字识别的示例,并对网络结构进行到了调整,提高了识别的精度.有的同学表示不是很理解原理,为什么传统的机器学习算法,简单的神经网络(如多层感知机)都可 ...
【深度学习系列】卷积神经网络CNN原理详解(一)——基本原理(1)
上篇文章我们给出了用paddlepaddle来做手写数字识别的示例,并对网络结构进行到了调整,提高了识别的精度.有的同学表示不是很理解原理,为什么传统的机器学习算法,简单的神经网络(如多层感知机)都可 ...

卷积神经网络（CNN）图像识别知识总结

卷积神经网络（CNN）图像识别知识总结相关推荐

最新文章

热门文章