图像处理中的深度卷积神经网络

最新推荐文章于 2024-03-30 22:00:15 发布
原创 最新推荐文章于 2024-03-30 22:00:15 发布 · 704 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。

输出尺寸（oho_hoh​,owo_wow​）与输入尺寸（nhn_hnh​,nwn_wnw​）、核尺寸（khk_hkh​,kwk_wkw​）、padding（php_hph​,pwp_wpw​）和stride（sws_wsw​,shs_hsh​）的关系
oh=(nh+ph−kh+sh)/show=(nw+pw−kw+sw)/sw o_h=(n_h+p_h-k_h+s_h)/s_h \\ o_w=(n_w+p_w-k_w+s_w)/s_w oh​=(nh​+ph​−kh​+sh​)/sh​ow​=(nw​+pw​−kw​+sw​)/sw​
这里的php_hph​,pwp_wpw​表示两侧padding的和，即在单侧paddingph/2p_h/2ph​/2,pw/2p_w/2pw​/2

LeNet

在这里插入图片描述

LeNet
    Data:MNIST
    Input:(batch_size,1,28,28)
    1st Conv:    kernel=6*5*5    pad=2    stride=1  -----> (28+4-5+1)/1=28    output.shape=(batch_size,6,28,28)
    Sigmoid
    1st AvgPool: kernel=2*2      pad=0    stride=2  -----> (28+0-2+2)/2=14    output.shape=(batch_size,6,14,14)
    2st Conv:    kernel=16*5*5   pad=0    stride=1  -----> (14+0-5+1)/1=10    output.shape=(batch_size,16,10,10)
    Sigmoid
    2st AvgPool: kernel=2*2      pad=0    stride=2  -----> (10+0-2+2)/2=5     output.shape=(batch_size,16,5,5)
    Flatten: feature_map展成向量长度16*5*5=400   (batch_size,400)
    1st FC:  权重矩阵400*120                     (batch_size,120)
    2st FC:  权重矩阵120*84                      (batch_size,84)
    3st FC:  权重矩阵84*10                       (batch_size,10)

AlexNet

在这里插入图片描述

AlexNet
    Data：ImageNet
    Input:(batch_size,3,224,224)        kernel.shape=(n_channel,width,height)
    1st Conv:    
        kernel=96*11*11 pad=0    stride=4  -----> (224+0-11+4)/4=28  (batch_size,96,54,54)
    Relu
    1st MaxPool: 
        kernel=3*3      pad=0    stride=2  -----> (54+0-3+2)/2=26    (batch_size,96,26,26)
    2nd Conv:    
        kernel=256*5*5  pad=2    stride=1  -----> (26+4-5+1)/1=26    (batch_size,256,26,26)
    Relu
    2nd MaxPool: 
        kernel=3*3      pad=0    stride=2  -----> (26+0-3+2)/2=12    (batch_size,256,12,12)
    3rd Conv:
        kernel=384*3*3  pad=1    stride=1  -----> (12+2-3+1)/1=12    (batch_size,384,12,12)
    Relu
    4th Conv:
        kernel=384*3*3  pad=1    stride=1  -----> (12+2-3+1)/1=12    (batch_size,384,12,12)
    Relu
    5th Conv:
        kernel=384*3*3  pad=1    stride=1  -----> (12+2-3+1)/1=12    (batch_size,384,12,12)
    Relu
    3rd MaxPool:
        kernel=3*3      pad=0    stride=2  -----> (12+0-3+2)/2=5     (batch_size,384,5,5)
    Flatten: feature_map展成向量长度384*5*5=9600   (batch_size,9600)
    1st FC:  权重矩阵9600*4096                     (batch_size,4096)
    Relu
    Dropout
    2st FC:  权重矩阵4096*4096                     (batch_size,4096)
    Relu
    Dropout
    3st FC:  权重矩阵4096*1000                     (batch_size,1000)

VGG

在这里插入图片描述

NiN

在这里插入图片描述

GoogLeNet

在这里插入图片描述

GoogLeNet:
    Data:Fashion-MNIST
    Input: (batch_size,1,96,96)
    1st Conv: kernel=64*7*7   pad=3    stride=2  -----> (96+6-7+2)/2=28    feature_map.shape=(batch_size,64,48,48)
    Relu
    1st MaxPool: kernel=3*3   pad=1    stride=2  -----> (48+2-3+2)/2=24    feature_map.shape=(batch_size,64,24,24)
    2nd Conv: kernel=64*1*1   pad=0    stride=1  -----> (24+0-1+1)/1=24    feature_map.shape=(batch_size,64,24,24)
    Relu
    3rd Conv: kernel=192*3*3  pad=1    stride=1  -----> (24+2-3+1)/1=24    feature_map.shape=(batch_size,192,24,24)
    Relu
    2nd MaxPool: kernel=3*3   pad=1    stride=2  -----> (24+2-3+2)/2=12    feature_map.shape=(batch_size,192,12,12)
    1st Inception:
        line 1:
            Conv: kernel=64*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,64,12,12)
        line 2:
            Conv: kernel=96*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,96,12,12)
            Conv: kernel=128*3*3 pad=1  stride=1  -----> (12+2-3+1)/1=12    feature_map.shape=(batch_size,128,12,12)
        line 3:
            Conv: kernel=16*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,16,12,12)
            Conv: kernel=32*5*5  pad=2  stride=1  -----> (12+2-3+1)/1=12    feature_map.shape=(batch_size,32,12,12)
        line 4:
            MaxPool: kernel=3*3  pad=1  stride=1  -----> (12+2-3+1)/1=12    feature_map.shape=(batch_size,192,12,12)
            Conv: kernel=32*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,32,12,12)
    2st Inception:
        line 1:
            Conv: kernel=128*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,128,12,12)
        line 2:
            Conv: kernel=128*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,128,12,12)
            Conv: kernel=192*3*3  pad=1  stride=1  -----> (12+2-3+1)/1=12    feature_map.shape=(batch_size,192,12,12)
        line 3:
            Conv: kernel=32*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,32,12,12)
            Conv: kernel=96*5*5  pad=2  stride=1  -----> (12+2-3+1)/1=12    feature_map.shape=(batch_size,96,12,12)
        line 4:
            MaxPool: kernel=3*3  pad=1  stride=1  -----> (12+2-3+1)/1=12    feature_map.shape=(batch_size,256,12,12)
            Conv: kernel=64*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,64,12,12)
    3rd MaxPool: kernel=3*3   pad=1    stride=2  -----> (12+2-3+2)/2=12    feature_map.shape=(batch_size,480,12,12)
    3rd Inception:
        line 1:
            Conv: kernel=192*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,192,12,12)
        line 2:
            Conv: kernel=96*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,96,12,12)
            Conv: kernel=208*3*3  pad=1  stride=1  -----> (12+2-3+1)/1=12    feature_map.shape=(batch_size,208,12,12)
        line 3:
            Conv: kernel=16*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,16,12,12)
            Conv: kernel=48*5*5  pad=2  stride=1  -----> (12+2-3+1)/1=12    feature_map.shape=(batch_size,48,12,12)
        line 4:
            MaxPool: kernel=3*3  pad=1  stride=1  -----> (12+2-3+1)/1=12    feature_map.shape=(batch_size,480,12,12)
            Conv: kernel=64*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,64,12,12)
    4th Inception:
        line 1:
            Conv: kernel=192*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,192,12,12)
        line 2:
            Conv: kernel=96*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,96,12,12)
            Conv: kernel=208*3*3  pad=1  stride=1  -----> (12+2-3+1)/1=12    feature_map.shape=(batch_size,208,12,12)
        line 3:
            Conv: kernel=16*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,16,12,12)
            Conv: kernel=48*5*5  pad=2  stride=1  -----> (12+2-3+1)/1=12    feature_map.shape=(batch_size,48,12,12)
        line 4:
            MaxPool: kernel=3*3  pad=1  stride=1  -----> (12+2-3+1)/1=12    feature_map.shape=(batch_size,480,12,12)
            Conv: kernel=64*1*1  pad=0  stride=1  -----> (12+0-1+1)/1=12    feature_map.shape=(batch_size,64,12,12)

Inception

在这里插入图片描述

深度卷积神经网络（DCNN）
Mr.xing的博客
05-21 2493
此外，深度卷积神经网络还包括激活层、BN层、池化层、FC层和损失层等结构，以提升网络的非线性能力，提高网络的表达能力，并对图像进行降采样和平滑处理。在图像处理方面，深度卷积神经网络可以进行图像分类、检测、识别以及分割等操作，如场景分类、目标分类、显著性检测、物体检测、语义检测、人脸识别、字符识别、车牌识别、行为识别、步态识别、前景分割以及语义分割等。深度卷积神经网络通过多个卷积层和池化层的组合，可以逐渐提取出越来越抽象的特征，从简单的边缘到复杂的物体部件，最终形成对整体物体的理解。
keras深度学习实战（二）----深度卷积神经网络DCNN(1)
koqural的博客
09-25 3313
深度卷积神经网络 导语： 之前在MLP做数字识别时，我们将图片压扁成为一个一维向量，损失了原本的空间特性。那么，直接对图像进行处理，也就会得到一个巨大的矩阵，若给矩阵中的每个值都配一个权重，那么计算上会是相当复杂的。我们人在看图时有些地方是投机取巧的，我们不需要看到整张图片就可以一定程度上猜到这是什么，所以我们可以将图片分割，分块来处理（局部感受野）。既然图片模块化了，那么每块的权重也可以批量处理...
深度学习-图像处理-卷积神经网络
2301_78820199的博客
02-08 3176
卷积神经网络超清晰笔记！简单易懂！
深度学习笔记之卷积神经网络(二)图像卷积操作与卷积神经网络
静静的学习就好
05-08 1496
上一节介绍了卷积的基本思想以及图像卷积操作，本节将介绍卷积神经网络，并从反向传播角度认识卷积神经网络。
卷积神经网络 图像处理,深度卷积网络基本模型
aifans_bert的博客
09-05 722
python神经网络样本训练，图神经网络 python。
基于python使用深度卷积神经网络的图像去噪设计与实现
05-04
深度卷积神经网络在图像去噪中的核心在于其卷积层。卷积层通过学习一系列的滤波器（也称为卷积核）来检测图像中的特征，同时自动学习滤除噪声。CNN的层次结构使得它能捕获不同级别的特征，从低级的边缘和纹理到更...
深度卷积神经网络在计算机视觉中的应用研究综述_卢宏涛.pdf
11-20
深度卷积神经网络（CNNs）是现代计算机视觉领域中的核心技术，其兴起和发展与大数据时代的来临密切相关。CNNs因其复杂的网络结构，具有更强的特征学习和表达能力，相较于传统机器学习方法，尤其在图像处理任务中展现...
基于深度卷积神经网络图像去噪算法,深度卷积神经网络新算法,Python
04-28
为了解决这个问题，一种基于深度卷积神经网络（Deep Convolutional Neural Networks, DCNN）的图像去噪算法被广泛研究和应用。本项目采用的是DnCNN（Deep Image Denoising with Convolutional Neural Networks），这...
基于深度卷积神经网络的图像去噪技术研究
最新发布
08-14
随着深度学习技术的发展，图像去噪领域迎来了革命性的变化。特别是在基于深度卷积...基于深度卷积神经网络的图像去噪技术已经成为了图像处理领域的一个重要分支，未来的研究和应用将继续推动这一领域向更深层次发展。
卷积神经网络及其在图像处理中的应用
02-24
卷积神经网络（ConstitutionalNeuralNetworks,CNN）是在多层神经网络的基础上发展起来的针对图像分类和识别而特别设计的一种深度学习方法。先回顾一下多层神经网络:多层神经网络包括一个输入层和一个输出层，中间有...
C#卷积神经网络代码
11-04
用c#实现卷积神经网络，可以训练识别图片，代码按照卷积神经网络算法思路撰写，准确率
用于医学图像处理的神经网络模型
m0_37840214的博客
05-19 6341
本文将医学图像处理中常用的神经网络经典模型进行了总结。将网络架构进行罗列，并将优缺点进行了总结。仅供参考。
深度卷积神经网络DCNN总结（AlexNet,ZFNet,VGGNet,GooleNet,ResNet）
qq_41821067的博客
04-11 8209
2012年AlexNet被提出，如果将隐藏层看做黑盒的话，输入有大概15万个特征，输出有5万个特征 其中有8层网络，不算池化层， LRN-局部响应规范，横向局部
深度学习入门——深度卷积神经网络模型（Deep Convolution Neural Network,DCNN）概述
qq_44918501的博客
04-20 1万+
机器学习是实现人工智能的方法和手段，其专门研究计算机如何模拟或实现人类的学习行为，以获取新的知识和技能，重新组织已有的知识结构使之不断改善自身性能的方法。计算机视觉技术作为人工智能的一个研究方向，其随着机器学习的发展而进步，尤其近10年来，以深度学习为代表的机器学习技术掀起了一场计算机视觉革命。本文将针对典型的深度学习技术——深度卷积神经网络进行介绍，主要介绍深度卷积神经网络的基础知识。
深度学习&图像处理（神经网络、卷积神经网络、Googlenet 模型、inception架构7）
OpenSceneGraph的博客
09-10 2258
1.神经网络： 经典的神经网络-------------输入层 中间层 输出层 Ps： 1.设计一个神经网络时，输入层与输出层的节点数往往是固定的，中间层则可以自由指定； 2.拓扑与箭头代表着预测过程时数据的流向，跟训练时的数据流有一定的区别； 3.结构图里的关键是神经元之间的连接。每个连接线对应一个不同的权重，需要训练得到。 Ps：训练 单层神经网络，使用的激活函数是s...
2024-03-30 问AI: 介绍一下深度学习里面的 DCNN模型
baidu_24377669的博客
03-30 2100
DCNN在多个层次上对输入数据进行卷积，提取特征，然后将这些特征进行组合和识别。随着网络的深入，特征图的尺寸通常会减小，这是通过池化层（如最大池化或平均池化）实现的，它们可以减少特征图的空间大小，同时保持重要信息。DCNN模型的发展经历了多个阶段，从最初的LeNet模型开始，到后来的AlexNet、VGG等模型，其深度和复杂度不断增加，性能也不断提升。DCNN（深度卷积神经网络）是深度学习中的一种重要模型，它模拟了人脑视觉系统的工作原理，通过对图像进行多层次的卷积和池化操作，实现了高效的特征提取和分类。
卷积神经网络(CNN)与深度卷积神经网络(DCNN)
热门推荐
chenfang0529的博客
08-19 5万+
作为小白，看到DCNN，一直想知道与CNN的区别，也没找到明确的说法，以下是自己的一点想法，欢迎指正！ 目录 一、CNN与DCNN 二、基于pytorch的实现 1.LeNet-5 2.AlexNet 一、CNN与DCNN 卷积神经网络，如：LeNet 深度卷积神经网络，如：AlexNet AlexNet与LeNet结构类似，但使用了更多的卷积层和更大的参数空间来拟合大规模数据集ImageNet。 卷积神经网络就是含卷积层的网络。AlexNet是浅层神经网络和深度神经网络的分界..
深度卷积图神经网络(Deep Convolutional Graph Neural Network，DCGNN)的基本概念与应用
m0_61789994的博客
05-07 2131
DCGNN的核心思想是将GCN的卷积操作与卷积神经网络（Convolutional Neural Network，CNN）的卷积操作相结合，从而实现对图数据的深度特征提取。GCN的核心思想是将节点的特征与其邻居节点的特征进行卷积操作，从而得到节点的新特征表示。图像分类是指将图像分为不同的类别。深度卷积图神经网络是一种用于处理图数据的深度神经网络模型，它可以自动学习图像的特征表示，适用于处理非结构化数据，具有较好的性能。但是，它的计算复杂度较高，需要大量的计算资源，并且需要大量的训练数据才能达到较好的性能。
深度卷积神经网络：图像处理中尺寸与参数的关系详解
图像处理中的深度卷积神经网络是一种广泛应用在计算机视觉任务中的模型，特别是用于图像分类和特征提取。其核心是卷积层，通过一系列参数如核尺寸(kernel size)、padding、stride等来控制输出尺寸。在深度神经网络...
评论
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