wordpress dirname(__file__),湖南有实力的关键词优化,商务网站开发源码,server2008做DNS与网站大家好啊#xff0c;我是董董灿。
卷积算法之所以重要#xff0c;关键在于其提取特征的能力。
5分钟入门卷积算法中提到#xff0c;卷积模仿的就是人眼识图的过程#xff0c;以“感受野”的视角去扫描图片#xff0c;从而获取不同区域的图片信息。
在这一过程中#x…大家好啊我是董董灿。
卷积算法之所以重要关键在于其提取特征的能力。
5分钟入门卷积算法中提到卷积模仿的就是人眼识图的过程以“感受野”的视角去扫描图片从而获取不同区域的图片信息。
在这一过程中通过设计多个不同尺寸的卷积核对一张图片进行卷积操作以完成在不同尺度下特征的提取。
那么什么是卷积的特征提取呢卷积都提取出了哪些特征呢 1、卷积的数学描述
我们通常说特征图或者数据集的尺寸是 [n, h, w, c]其中n 代表的是图片的张数h 代表的是图片的高度w 代表的是图片的宽度c 代表图片的通道数。
例如如果一张图片是RGB的格式那么 c 就等于3。 对于卷积算法而言输入图片尺寸为 [n, hi, wi, c](标i代表input输入)卷积核尺寸为 [kn, kh, kw, c]输出图片尺寸为[n, ho, wo, kn](下标o代表output)。
有没有发现输出图片的channel数与输入图片的channel数不一致输出图片的channel数与卷积核的个数是一致的。
channel也即通道在特征图中一个channel代表一个特征channel的个数代表特征的个数。
因此经过卷积计算特征图中特征的个数与卷积核的个数是一致的。 2、图片的特征
输出特征图的通道数与卷积核的个数相同一样这意味着什么呢
意味着如果我设计一个卷积存在100个卷积核那么经过卷积就可以输出具有100个特征的特征图。
卷积算法可以通过设计卷积核的个数随意的提取图片不同的数量的特征卷积算法就是通过线性变换将图片映射到特征空间。
那么特征怎么理解呢
图像特征主要有图像的颜色特征、纹理特征、形状特征和空间关系特征。 RGB图像和它的3个颜色特征通道
RGB图片有3个通道可以说有3个颜色特征分别为红色绿色和蓝色那么纹理特征形状特征和空间特征又是什么意思呢
纹理特征就是图片的纹理比如下面这样。 形状特征就是图片中物体的形状比如下面这样。 那么卷积这一算法在神经网络的训练过程中学习到这些特征了么
答案是肯定的
卷积不仅学到了这些特征而且还学到了很多人们不太好描述的特征这些特征对于人类来说可能毫无意义但对于神经网络来说确实十分重要的。
更多卷积学到了什么特征可以移步卷积特征是怎么被可视化的
在著名的论文《Visualizing and Understanding Convolutional Networks》中有关于卷积算法特征的表述在文中随着神经网络深度的加深卷积提取到的特征逐渐清晰起来。
由浅层次的纹理特征逐步到深层次的形状特征比如在Layer 4中提取的特征图中便可以看到狗狗的形象。
不同的卷积神经网络中卷积的层数是不同的而且卷积的参数也不同。
举个例子在图像分类任务中卷积神经网络在训练学习的时候每一层学习到的特征是不同的比如第一层的输入只有3个颜色特征输出有64个特征至于这64个特征代表的是什么可能连神经网络自己也说不清一直到最后一层可能会有几千个特征。
到了最后一层可以这么比喻几千个特征实际上已经代表了几千种物体的分类了。针对一张图片是猫的原始输入几千个特征中只有猫这一特征最后的得分最高因此网络会把它推理成猫。
这就是卷积算法的核心特征提取。
