本文介绍了卷积神经网络（CNN）的应用，如检测、分类、超分辨率和医学任务等。阐述了CNN与传统神经网络的区别，重点讨论了CNN的架构，包括输入层、卷积层、池化层和全连接层。详细解析了卷积参数，如步长、卷积核大小和填充。还提到了池化层的作用和网络层数的计算方法。最后，回顾了VGG和ResNet等经典网络结构及其特点。
1 卷积神经网络（CNN）可以做什么？
- 检测任务
- 分类与检索
- 超分辨率重构：将图像训练的更清晰
- 医学任务等
- 无人驾驶
- 人脸识别
2 用GPU：图像处理单元
比CPU块一百倍以上
3 卷积神经网络与传统神经网络的区别
传统神经网络：将数据拉成向量
卷积神经网络：三维数据
4 整体架构
- 输入层
- 卷积层：提取特征
- 池化层：压缩特征
- 全链接层
5 卷积进行特征提取：
绿色的：特征图
6 步长与卷积核大小对结果的影响
卷积网络中可以无限堆叠，但是并不是堆叠次数越高效果越好
7 卷积层涉及参数
- 滑动窗口步长：移动窗口移动的步长决定特征图的大小（丰富度）一般为1
- 卷积核尺寸：一般用正方形卷积3✖️3（图像）
- 边缘填充：边缘的数据不一定不重要，所以用0填充图像的边缘保证图
最低0.47元/天 解锁文章
扫一扫
1万+
到【灌水乐园】发言
