3维卷积—吴恩达

最新推荐文章于 2024-08-15 11:50:04 发布
原创 最新推荐文章于 2024-08-15 11:50:04 发布 · 273 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习

该视频教程详细讲解了卷积神经网络（CNN）的工作原理，特别是如何通过3*3*3的卷积核进行特征提取。通过对颜色通道的处理，将27个数字相乘并求和，形成新的特征。接着，演示了卷积核如何在图像上移动，以捕获不同位置的特征。这是一个深入理解卷积神经网络基础概念的优质教学资源。

链接：(强推)2021吴恩达深度学习-卷积神经网络_哔哩哔哩_bilibili

最后一个3表示：过滤器的层数

 

把3*3*3的卷积核看成一个立方体，共有27个数字，然后把它放在左上角，分别会对应到红色、绿色、蓝色的9个数字，这27个数字分别相乘，最后相加，得到一个数字

下一步，移动立方体

 

 

 

ZcsLv_zyq
关注
深度学习笔记----三维卷积及其应用（3DCNN,PointNet,3D U-Net）
YOULANSHENGMENG的博客
11-15 7万+
目录 1.什么是三维卷积 1.1 三维卷积简介 1.2 三维卷积的工作原理 2，三维卷积核多通道卷积的区别 2.1 多通道卷积 2.2 三维卷积和多通道卷积之间的区别 2.3 总结 3，三维卷积的应用 3.1 视频分类 3.2 点云分类 3.2.1 PointNet网络亮点 3.2.2PointNet网络结构 3.3 图像分割(U-Net) 3.3.1 二维的U-Net 3.3.2 三维的U-Net 1.什么是三维卷积 1.1 三维卷积简介 二维卷积是在...
三维卷积（ 3D CNN）
qq_54695558的博客
01-07 8007
​ 3D CNN主要运用在视频分类、动作识别等领域，它是在2D CNN的基础上改变而来。由于2D CNN不能很好的捕获时序上的信息，因此我们采用3D CNN，这样就能将视频中时序信息进行很好的利用。首先我们介绍一下2D CNN与3D CNN的区别。如下图所示，a)和b)分别为2D卷积用于单通道图像和多通道图像的情况（此处多通道图像可以指同一张图片的3个颜色通道，也指多张堆叠在一起的图片，即一小段视频），对于一个滤波器，输出为一张二维的特征图，多通道的信息被完全压缩了。而c)中的3D卷积的。
3D卷积神经网络详解
热门推荐
qq_44289607的博客
03-15 2万+
1 3d卷积的官方详解 2 2D卷积与3D卷积 1）2D卷积 2D卷积：卷积核在输入图像的二维空间进行滑窗操作。 2D单通道卷积 对于2维卷积，一个3*3的卷积核，在单通道图像上进行卷积，得到输出的动图如下所示： 2D多通道卷积 在之前的2D单通道的例子中，我们在一张图像上使用卷积核进行扫描，得到一张特征图。这里的“被扫描图像”是一个通道，而非一张彩色图片。如果卷积核每扫描一个通道，就会得到一张特征图，那多通道的图像应该 被怎样扫...
吴恩达-深度学习-卷积神经网络-多层卷积 笔记
洪流之源
05-11 1万+
你已经知道如何对二维图像做卷积了，现在看看如何执行卷积不仅仅在二维图像上，而是三维立体上。 我们从一个例子开始，假如说你不仅想检测灰度图像的特征，也想检测RGB彩色图像的特征。彩色图像如果是6×6×3，这里的3指的是三个颜色通道，你可以把它想象成三个6×6图像的堆叠。为了检测图像的边缘或者其他的特征，不是把它跟原来的3×3的过滤器做卷积，而是跟一个三维的过滤器，它的维度是3×3×3，这样这...
三维卷积
阿飞CVPR
05-20 1万+
下面就是 3D 卷积，其过滤器深度小于输入层深度（核大小<通道大小）。因此，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。在每个位置，逐元素的乘法和加法都会提供一个数值。因为过滤器是滑过一个 3D 空间，所以输出数值也按 3D 空间排布。也就是说输出是一个 3D 数据。 在 3D 卷积中，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。在每个位置，逐元...
吴恩达—卷积神经网络（CNN）学习笔记（一）
weixin_47414581的博客
12-15 1016
nH[i]n_{H}^{[i]} ,nW[i]n_{W}^{[i]} ,nC[i]n_{C}^{[i]}分别是每层图像的高、宽、通道数（原图像i=0），f[i+1], s[i+1], p[i+1]分别是作用于第i层图像的卷积核的边长、卷积步幅、Padding值，同时卷积核的个数决定了第i+1层图像的通道数nC[i+1]n_{C}^{[i+1]}。通常情况下，随着卷积层深度的增加，图像的长宽逐渐减小，而通道数逐渐增大。
吴恩达深度学习笔记：卷积神经网络（Foundations of Convolutional Neural Networks）1.5-1.6
weixin_43597208的博客
08-15 1287
在这个例子中就是 6×6×3，这里的𝑛𝑐就是通道数目，然后卷积上一个𝑓 × 𝑓 × 𝑛𝑐，这个例子中是 3×3×3，按照惯例，这个（前一个𝑛𝑐）和这个（后一个𝑛𝑐）必须数值相同。它用 6×6×3 的图像，然后卷积上这两个不同的 3×3 的过滤器，得到两个 4×4 的输出，它们堆叠在一起，形成一个 4×4×2 的立方体，这里的 2 的来源于我们用了两个不同的过滤器。但到目前为止，我们所使用的是关于矩阵的卷积，例如 6×6 的矩阵。
吴恩达CNN之三维卷积
qq_51659249的博客
03-12 756
学习之后对卷积神经网络的工作原理有了更加深刻的理解，尤其对卷积核的个数，通道数这些名词都有了更急清楚的认识
吴恩达深度学习笔记：卷积神经网络（Foundations of Convolutional Neural Networks）1.3-1.4
weixin_43597208的博客
07-31 672
你已经看到如何使用 padding 卷积，为了指定卷积操作中的 padding，你可以指定𝑝的值。也可以使用 Valid 卷积，也就是𝑝 = 0。也可使用 Same 卷积填充像素，使你的输出和输入大小相同。以上就是 padding，在接下来的视频中我们讨论如何在卷积中设置步长。
吴恩达深度学习笔记（八）——卷积神经网络（上）
weixin_45719141的博客
02-17 1628
吴恩达深度学习内容的一些笔记。
三维卷积详解
you 是 mine
06-30 1万+
假如说你不仅想检测灰度图像的特征，也想检测 RGB 彩色图像的特征。彩色图像如果是 6×6×3，这里的 3指的是三个颜色通道，你可以把它想象成三个 6×6图像的堆叠。为了检测图像的边缘或者其他的特征，不是把它跟原来的 3×3 的过滤器做卷积，而是跟一个三维的过滤器，它的维度是 3×3×3，这样这个过滤器也有三层，对应红绿、蓝三个通道。 给这些起个名字（原图像），这里的第一个 6 代表图像高度，第二个 6 代表宽度，这个3 代表通道的数目。同样你的过滤器也有高，宽和通道数，并且图像的通道数必须和过滤器的通道
深度学习笔记（三十一）三维卷积及卷积神经网络
我的技术栈碎碎念空间
02-13 1万+
RGB三维图像的卷积 计算方法和二维卷积类似，从三维图像中划分出3×3×33\times3\times33×3×3的方块（称为卷积立方体），对这27个像素点进行卷积，即逐个元素与过滤器相乘求和，得到输出二维矩阵中的一个值。 三维图像和过滤器可以有不同的高和宽，但是必须有相同的通道数。在RGB这个例子中，就是有R G B三个颜色通道（组成图像中的任意颜色） 叠加过滤器 试想一个问题，用前面的方法可以实现垂直边缘检测和水平边缘检测，但是如果我们要检测的是更一般的边缘呢（换句话说：想检测更多的特征信息 ）？比
卷积神经网络4-三维卷积
qq_37031892的博客
10-19 2995
三维认识 三维（RGB三色通道）， 三维卷积 27个参数卷积相乘再求和 几个过滤器，决定了结果矩阵有几层。
3*3小卷积的优势
Cybenko
05-07 2622
我们知道现在在构建CNN时大家喜欢用33的卷积，而不是早期的55，77等更大尺寸的卷积，如vgg系列网络中全部使用了33的卷积。 这里既然用3*3卷积来替代更大尺寸的卷积，那么有一个前提，就是要保证两者具有同样大小的输出和感受野。 两个33的卷积才能代替一个55的卷积；三个33的卷积才能代替一个77的卷积。 以stride=1，padding=0我们来看看为何。 我们首先看一下采用55卷积的方案。 假设图像大小为nn，采用5*5的卷积核其输出为(n-5)/1+1=n-4。 我们再看一下采用3*3卷积的方案
VGG_多个３×３卷积层可看作是大尺寸卷积层的分解
????????️的博客
12-18 1296
标题1、为什么多个３×３卷积层可看作是大尺寸卷积层的分解？ 假设图片（Input）尺寸为M×M，卷积核（Filter）大小为K×K，填充（Padding）为P，步长（stride）为s。 则卷积输出（Output）特征图大小为 = (M + 2P - K)/S +1 假设图片是28×28的： （1）使用5×5的卷积核对其卷积，步长（stride）为1，填充(pad)为0，得到的结果是:(28-5)/1+1=24 （2）使用2个卷积核为3*3的，这里的两个是指2层，同样步长（stride）为1，填充(pad)
使用3D卷积神经网络进行次优视图回归
小白学视觉
02-20 604
点击上方“小白学视觉”，选择加&#34;星标&#34;或“置顶” 重磅干货，第一时间送达 小白导读论文是学术研究的精华和未来发展的明灯。小白决心每天为大家带来经典或者最新论文的解读和分享...
卷积神经网络（三）
lipengfei0427的博客
09-01 3410
六、三维卷积 在经历了二维灰度图的卷积操作之后，如何进行三维卷积（RGB图像）呢？我们一起来看下！ 首先我们还是给出一个6*6的图像，不过因为有RGB三个通道，所以图像变成了6*6*3。同样的，在二维灰度图中3*3的卷积核也要相应的更改为3*3*3的卷积核。我们将表达式写出如下： 最终给出的结果是4*4*1的图像（注意不是4*4*3的图像）。 ...
【深度学习】卷积神经网络
weixin_52762273的博客
05-15 803
续接上文+步幅以图像大小 6x6x3 卷积核大小 3x3x3 为例==如图：==使用不同的卷积核对图像进行卷积，得到两个不同的4x4特征矩阵;矩阵中每一个值+偏置b，然后应用非线性激活函数ReLu最终得到另一个4x4矩阵；然后将两个矩阵堆叠起来，最终得到一个4x4x2的矩阵；我们通过计算从6x6x3的输入推导出一个4x4x2的输出，它就是神经网络的一层(layer),它映射到标准神经网络中四个卷积层中的某一层或者一个非卷积神经网络中：在卷积过程中，我们对这27x2(两个卷积核)个数进行操作，取这些数做乘
图像处理中常用的卷积核
weixin_43763292的博客
06-16 6117
【代码】图像处理中常用的卷积核。
吴恩达深度学习卷积编程作业
最新发布
03-21
学生会被引导实现基本的二维卷积操作，了解如何通过滑动窗口提取特征。这部分还会涉及填充（Padding）和步幅（Stride）的概念以及它们对输出尺寸的影响[^3]。 ```python import numpy as np def conv_single_...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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