圖像數(shù)據(jù)和邊緣檢測(cè)

image.png

上圖錯(cuò)字：達(dá)到瓶頸了

感受野

image.png

邊緣檢測(cè)

image.png

image.png

image.png

卷積神經(jīng)網(wǎng)絡(luò)（CNN）原理

image.png

卷積層

image.png

image.png

H：長(zhǎng)，W：寬，F(xiàn)：卷積核大小，P：零填充，S：步長(zhǎng)，K：filter卷積核數(shù)量
卷積運(yùn)算過(guò)程（例）：

image.png

image.png

image.png

padding-零填充

image.png

image.png

Vaild and Same卷積

image.png

N：圖片大小，F(xiàn)：卷積核大小，P：零填充

奇數(shù)維度的過(guò)濾器

image.png

stride-步長(zhǎng)

image.png

image.png

括號(hào)內(nèi)表示長(zhǎng)寬

多通道卷積

image.png

多卷積核

image.png

一些練習(xí)

1：

image.png

2：

image.png

image.png

池化層

image.png

最大池化：

image.png

平均池化：

image.png

SoftPool池化層

SoftPool是一種變種的池化層，它可以在保持池化層功能的同時(shí)盡可能減少池化過(guò)程中帶來(lái)的信息損失。
池化算法的變種：

image.png

上圖展示了多個(gè)變種的池化層，具體包括Average Pooling、Max Pooling、Power Average Pooling、Stochastic Pooling、S3 Pooling、Local Importance Pooling與SoftPool。通過(guò)觀察我們可以發(fā)現(xiàn)：（1）其它的池化操作基本都是在最大池化或者平均池化的變種；（2）S3池化操作的思路與最大池化類似；（3）其它的池化操作基本都是平均池化的變種；（4）Local Importance Pooling與SoftPool池化操作的思路類似，都給原圖的區(qū)域計(jì)算了對(duì)應(yīng)的區(qū)域，并進(jìn)行了累計(jì)操作。

SoftPool計(jì)算

image.png

image.png

通過(guò)觀察我們可以得出以下的初步結(jié)論：（1）與原圖相比，SoftPool操作能夠保留原圖中更多的細(xì)節(jié)，Avg池化次之，Max池化丟失的信息最多；（2）從計(jì)算復(fù)雜度來(lái)講，SoftPool的復(fù)雜度最高，Avg池化次之，Max池化最低。

image.png

image.png

SoftPool是一種變種的池化層，它可以在保持池化層功能的同時(shí)盡可能減少池化過(guò)程中帶來(lái)的信息損失。大量的實(shí)驗(yàn)結(jié)果表明該算法的性能優(yōu)于原始的Avg池化與Max池化。

全連接層

image.png