卷积神经网络
-
卷积，reLu,池化的意义
1.卷积 提取局部特征 2.Relu 留下相关特征，去掉不相关特征，卷积之后的正值越大，说明与卷积核相关性越强，负值越大，不相关性越大。 3.池化 池化的目的： （1）留下最相关的特征，或者说留下最明显的特征。 （2）增大感受野，所谓感受野，即一个像素对应回原图的区域大小，假如没有pooling，一个3*3，步长为1的卷积，那么输出的一个像素的感受野就是3*…
-
卷积核filter和kernal的区别
在一堆介绍卷积的帖子中，这篇特别之处在于很萌的示例配色，令人眼前一亮，当然直观也是很直观滴，保证了能在昏昏欲睡见周公子前看完。 types-of-convolution-kernels-simplified-f040cb307c37 直观介绍各种迷人的CNN层 一个简短的介绍 卷积使用“kernel”从输入图像中提取某些“特征”。kernel是一个矩阵，…
-
彻底理解数字图像处理中的卷积-以Sobel算子为例
作者:FreeBlues 修订记录 – 2016.08.04 初稿完成 概述 卷积在信号处理领域有极其广泛的应用, 也有严格的物理和数学定义. 本文只讨论卷积在数字图像处理中的应用. 在数字图像处理中, 有一种基本的处理方法:线性滤波. 待处理的平面数字图像可被看做一个大矩阵, 图像的每个像素对应着矩阵的每个元素, 假设我们平面的分辨率是 1024*768,…
-
CNN卷积神经网络的改进（15年最新paper）
回归正题，今天要跟大家分享的是一些 Convolutional Neural Networks（CNN）的工作。 大家都知道，CNN 最早提出时，是以一定的人眼生理结构为基础，然后逐渐定下来了一些经典的架构——convolutional 和 pooling 的交替，最后再加上几个 fully-connected layers 用作最后做 prediction…
-
卷积神经网络的权值参数个数的量化分析
考虑 的输入图像： 全连接，隐层神经元的数目为 卷积，卷积核的大小为 时， 步长为 10，表示的是输入图像可划分的块数，也即经卷机作用后的输出图像； 步长为 1， 在不考虑步长的前提下，可近似将待学习的参数的数目视为 1. 全连接层对参数个数的显著提升 现考虑图像输入层和 500 个隐层神经元的全连接： MNIST： CIfar：，极大地降低了参数的规模； …
-
高斯滤波及高斯卷积核C++实现
高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，在图像处理的降噪、平滑中应用较多，特别是对抑制或消除服从正态分布的噪声非常有效。 高斯滤波的过程其实就是对整幅图像进行加权平均操作的过程。滤波后图像上每一个像素的灰度值大小，由其本身和邻域内的其他像素共同决定。具体实现是：用一个大小为（2*N+1）的模板（或称卷积核、掩模）依次扫描图像中的每一个像素，用模板确定…
-
yolo3使用darknet卷积神经网络训练pascal voc
darknet本来最开始学的是https://github.com/pjreddie/darknet yolo3作者自己开发的，但是它很久不更新了而且mAP值不好观察，于是另外有个https://github.com/AlexeyAB/darknet fork了它，然后在它上面给出了更精彩的实现，比如支持windows，还有改了一些bug，以及最…
-
如何理解二维卷积
我们知道一维卷积是f[z]=sum A[x]*B[y] z=x+y 那么二维卷积不就是f[n,m]=sum A[q,w]*B[e,r] 其中n=q+e,m=w+r 那么最终结果会是? 好像有点不对。。明天再想 对于数字图像处理中的矩阵卷积。。一般情况下我们不care原图像大小之外的像素
-
狄利克雷卷积 初级知识详解
在说狄利克雷卷积之前，最主要的是学会整除分块，不仅仅是结论，更重要的是推导过程（详见这里：传送门） 整除分块是第一步，第二步是乱七八糟的数论函数； 首先介绍一下数论函数：定义域为正整数，值域为复数的一个子集的函数 对于数论函数(本文以下部分若未特殊说明省略”数论函数”)$f(x)$,若对于任意互质的正整数x,y,$f(xy)=f(x)f(y)$,则该数论函数…
-
tensorflow 卷积神经网络基本参数()
目录： 1. tf.placeholder_with_default(tf.constant(1.0),shape=[],name=’use_dropout’) # 设置一个占位符 2. tf.constant(input, size, name) # 产生一个变量 3.tf.variable_scope(nam…
