CNN网络结构中的领域知识

本文探讨了卷积神经网络(CNN)如何应用于图像处理,包括局部感知、权值共享等概念,以及如何通过特定的设计如带孔卷积和空域金字塔池化来提升图像处理效果。此外还讨论了CNN中使用的先验知识与传统特征工程的区别。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

CNN被普遍认为可以用于替代人工特征提取,然而,设计CNN的网络结构时,其实已经利用了图像的领域知识。例如:
局部感知:图像的空域相关性;
权值共享:图像的平移不变性;
带孔卷积:扩大图像感知域;
空域金字塔池化(SPP: Spacial Pyramid Pooling):感知图像上下文信息

CNN网络中隐含了图像信号内部结构的先验知识,不过,这些先验规则相比于传统机器学习的特征工程简单很多。有时人们认为CNN中使用的先验规则过于严格,因此提出了介于CNN和全连接网络之间的局部网络,比如人脸识别网络常见的局部全连接层。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值