卷积神经网络的一般结构

卷积神经网络是如何对人类对图像的认知进行拟合的?
谢谢~~~

0

1个回答

你这个问题太大了,完整解释有一本书的篇幅了。

简单概括说说吧。采纳本回答(点本回答左上角的采纳框)后你可以追问。

cnn主要的思路是,图片相当于一个二维的矩阵,它的每个像素是神经网络的一个输入维度,但是,这些维度并非独立存在的,而是按照几何组织规则起来的。
那些在坐标上有一定相对关系的点,它们被通过卷积核联系在一起,而简化了空间上距离很远的点的关系。从而降低了运算量。
而卷积核相当于一个共享参数的连接层,它用来匹配某个局部范围的特征,卷积层可以实现对图像倾斜、缩放等情况的识别匹配。
而把多个卷积层连起来,那么前面的层可以学习到简单的几何特征,比如线条、点、面。
中间的可以学到稍微复杂的几何特征,比如一个圆形、一个矩形,某几个几何或者颜色的叠加。
而最终,可以识别出物体,因为物体就是这些特征的叠加组合。
在cnn里,还使用了pooling层,因为高级特征并不需要那么像素点就能识别出来(识别出图是一架飞机,只要一个缩略图就够了,但是要识别出飞机上的窗户,就要更大的图,对吧),所以用pooling其实就是不断简化维度,得到缩略特征的过程。

0
Csdn user default icon
上传中...
上传图片
插入图片
抄袭、复制答案,以达到刷声望分或其他目的的行为,在CSDN问答是严格禁止的,一经发现立刻封号。是时候展现真正的技术了!
其他相关推荐
卷积神经神经网络结构细讲
卷积神经网络细节讲解,其中对CNN的各个基本组件进行了充分的论述。还有讲解了dropout,以及如何理解dropout,最后对目前存在的典型的CNN架构进行了很详细的讲解,不管你是有经验的,还是新手,都可以从中得到一些启发
卷积神经网络的结构
一个卷积神经网络主要由以下5种结构组成:1.输入层。输入层是整个神经网络的输入,在处理图像的卷积神经网络中,它一般代表了一张图片的像素矩阵。比如在图6-7中,最左侧的三维矩阵的长和宽代表了图像的大小,而三维矩阵的深度代表了图像的色彩通道(channel)。比如黑白图片的深度为1,而在RGB色彩模式下,图像的深度为3。从输入层开始,卷积神经网络通过不同的神经网络结构下将上一层的三维矩阵转化为下一层的...
卷积神经网络常见结构
卷积神经网络常见结构 卷积神经网络中常见的层类型有: 卷积层(CONV) 激活函数(ACT 或 RELU) 池化层(POOL) 全连接层(FC) Batch normalization(BN) Dropout(DO) 其中常见的组合为: 注: * 操作代表这里需要一次或者多次;?操作符代表这是可选操作,可以出现0次或者多次。 对于以上重复次数的常见选择是: 0<=N...
CNN卷积神经网络层级结构
一、卷积神经网络层级结构 卷积神经网络层次结构包括: 数据输入层/ Input layer 卷积计算层/ CONV layer 激励层 / ReLU layer 池化层 / Pooling layer 全连接层 / FC layer 卷积计算层 如上图图所示,左边为数据集,右边为一个神经网络 窗口:卷积计算层会在数据集上选定一个窗口,从窗口内选择数据
卷积神经网络基础和网络结构
  一、发展历史     卷积神经网络(Convolutional Neural Network)是一种常见的用于图像分类的深度学习框架,它可以看作是一种对输入信号逐层加工,最后将联系并不密切的输入和输出信息连接起来的分类网络。CNN的网络结构的起源是LaNet5(包含了卷积、池化和非线性的激活函数以及多层感知机模型),之后在2012年Alex Krizhevsky提出了一种AlexNet网络结...
CNN 卷积神经网络结构
CNNcnn每一层会输出多个feature map, 每个Feature Map通过一种卷积滤波器提取输入的一种特征,每个feature map由多个神经元组成,假如某个feature map的shape是m*n, 则该feature map有m*n个神经元。对于卷积层会有kernel, 记录上一层的feature map与当前层的卷积核的权重,因此kernel的shape为(上一层feature
典型卷积神经网络结构总结
典型卷积神经网络结构总结 LeNet:最早用于数字识别的CNN层关系如下: Data layer:1*28*28 Convolutional layer(5*5):20*24*24 Pooling(2*2, stride 2):20*12*12 Convolutional layer(5*5):50*8*8 Pooling(2*2, stride 2):50*4*4 Inner Product:50
卷积神经网络架构理解
神经网络基础 神经网络属于优化类的数学模型。每个神经元接收到输入后,经过一些计算操作后输出一个特定的数值。这个数值经过一个激活函数(非线性的),产生这个神经元的最后输出。有很多激活函数,且绝大数已经在Tensorflow中集成了,最流行的是SigmoidSigmoidSigmoid函数: y=11+e−zz=wTx+by=11+e−zz=wTx+by=\frac{1}{1+e^{-z}}\\ ...
深度卷积神经网络基本介绍
    关于深度卷积神经网络的前世今生,就不在此处进行过多的介绍。在此,主要对网络的各个组成部分进行简要介绍:图1 基本的深度卷积网络结构       通过图1可知深度卷积神经网络主要是由输入层、卷积层、激活函数、池化层、全连接层和输出层组成。以下将以人脸识别为例对网络的各个组成部分进行简单的介绍:        输入层:深度卷积网络可直接将图片作为网络的输入,通过训练提取特征,但是为了获得更好的...
转载:经典的几个卷积神经网络(基本网络)
AlexNet: ( 2012 ILSVRC top 5 test error rate of 15.4%) 第一个成功展现出卷积神经网络潜力的网络结构。 关键点: 通过大量的数据与长时间的训练得到最后的模型,结果十分显著(拿到2012分类第一) 使用两块GPU,分两组进行卷积。 自从Alexnet之后,卷积神经网络开始迅速发展 VGGnet: (ILSVRC 2014 7.3%...
11、卷积神经网络:结构、卷积/汇集层
层、空间布局、层模式、层大小模式、AlexNet/ZFNet/VGGNet 案例研究、计算考虑 卷积神经网络 (CNNs / ConvNets) 卷积神经网络与前一章的神经网络非常相似:它们是由具有可学习的权值和偏置的神经元组成的。每个神经元接收一些输入,执行点积,跟随一个非线性计算(可选项)。整个网络仍然表示一个可微的得分函数:从一端的原始图像像素到另一个的分数。并且它们在最后(完全连接)层...
(人脸识别2-4)——关于CNN卷积神经网络
关于CNN卷积神经网络 声明 首先说明一下,本人的人脸识别2-系列,属于模仿和参照博主Neo-T的系列文章进行学习,在文章中写下自己的学习心得和自己敲的代码。文章属于学习用途,属于转载类型。 这里贴上原文的地址:人脸检测及识别python实现系列(4)——卷积神经网络(CNN)入门详细资料可以参考原文。感谢博主整理的资料供学习和参考文章中提到的优秀cnn卷积神经网络文章,文章本人读后深感启
caffe中使用draw_net.py绘制卷积神经网络结构图
博主环境Ubuntu 14.04.4 LTS x64+caffe。 先看下成品。 上图是caffe中的经典模型Lenet5网络结构,图片展示的很清晰。 绘图需要使用./cafferoot/python/draw_net.py脚本。 调用命令 /username/caffe/python# python draw_net.py --rankdir TB ../examples/mn
卷积神经网络中卷积层和池化层的作用
假如有一幅1000*1000的图像,如果把整幅图像作为向量,则向量的长度为1000000(10610^6106)。在假如隐含层神经元的个数和输入一样,也是1000000;那么,输入层到隐含层的参数数据量有 101210^{12}1012。所以,我们还得降低维数,同时得以整幅图像为输入(人类实在找不到好的特征了)。 CNN网络一共有5个层级结构: 输入层 卷积层 激活层 池化层 全连接FC层 ...
卷积神经网络的网络结构——ResNet
《Deep Residual Learning for Image Recognition》 2015,kaiming He et al,ResNet。 ResNet由微软研究院的kaiming He等4名华人提出,通过使用Residual Unit成功训练152层深的神经网络,在ILSVRC 2015比赛中获得了冠军,取得3.57%的top5错误率,同时参数量却比VGGNet低,效果非常...
卷积神经网络--卷积神经网络的原理和结构
目录 1.三个性质 1.1局部性 1.2相同性 1.3不变性 2.网络的层结构 2.1卷积层 2.1.1局部连接 2.1.2空间排列 2.1.3参数共享 2.2池化层 2.3.全连接层 3.卷积神经网络的基本形式 4.补充 4.1小滤波器的有效性 4.2网络的尺寸设计   卷积神经网络于1998年由Yann Lecun提出,卷积网络用于处理计算机图像。图像分类是...
CNN-常用的几种卷积神经网络
深度学习——卷积神经网络 的经典网络(LeNet-5、AlexNet、ZFNet、VGG-16、GoogLeNet、ResNet):https://blog.csdn.net/loveliuzz/article/details/79080194 论文地址:  1. LeNet论文  2. AlexNet论文  3. VGGNet论文  4. ResNet论文 历史背景  VGGNet   ...
cnn(卷积神经网络)比较系统的讲解
本文整理了网上几位大牛的博客,详细地讲解了CNN的基础结构与核心思想,欢迎交流。   [1]Deep learning简介 [2]Deep Learning训练过程 [3]Deep Learning模型之:CNN卷积神经网络推导和实现 [4]Deep Learning模型之:CNN的反向求导及练习 [5]Deep Learning模型之:CNN卷积神经网络(
从AlexNet理解卷积神经网络的一般结构
2012年AlexNet在ImageNet大赛上一举夺魁,开启了深度学习的时代,虽然后来大量比AlexNet更快速更准确的卷积神经网络结构相继出现,但是AlexNet作为开创者依旧有着很多值得学习参考的地方,它为后续的CNN甚至是R-CNN等其他网络都定下了基调,所以下面我们将从AlexNet入手,理解卷积神经网络的一般结构。 先给出AlexNet的一些参数和结构图: 卷积层:5层 全连接层...
卷积神经网络CNN介绍:结构框架,源码理解
卷积神经网络介绍:结构框架,源码理解   1.卷积神经网络结构 卷积神经网络是一个多层的神经网络,每层都是一个变换(映射),常用卷积convention变换和pooling池化变换,每种变换都是对输入数据的一种处理,是输入特征的另一种特征表达;每层由多个二维平面组成,每个平面为各层处理后的特征图(feature map)。 常见结构: 输入层为训练数据,即原始数据,网络中的每一个
关于卷积神经网络的几种结构
卷积的过程就是提取对应特征的过程,获得高维的特征向量。 反卷积的过程事实上是一个稀疏编码的过程,要把卷积拿到的特征向量通过加权恢复到原有的输入图片关于dilate convolution 可见这篇博文https://zhuanlan.zhihu.com/p/23795111 我认为既然dilate convolution可以通过改变kernel的大小来改变可以看到的视野,那么多个不同的dilat
深度卷积神经网络结构演变
笔者所写博文皆为自己浏览学习之后的心得或笔记,想与读者共同学习进步,欢迎指导交流。若内容有不当或侵权,请联系笔者修改或删除。致谢! 今天看到一篇来自公众号讲解深度卷积神经网络结构的文章,获益匪浅,结合之前的笔记,自己做一个总结便于查询,笔者主要是提出各个网络的创新点等,具体的概念博文中不作解释,有更多更好详细的讲解。即本文旨在了解网络结构的变化演进。 先贴连接:深度卷积神经网络演化历史及结构改进脉...
十五、卷积神经网络(2):卷积神经网络的结构
本篇博客主要介绍了卷积神经网络的结构,并解释了使用这种结构的好处及原理,并总体分析了一个好的卷积神经网络都需要哪些部分。
常用的几种卷积神经网络介绍
常用的几种卷积神经网络介绍标签(空格分隔): 深度学习这是一篇基础理论的博客,基本手法是抄、删、改、查,毕竟介绍这几个基础网络的博文也挺多的,就算是自己的一个笔记吧,以后忘了多看看。主要是想介绍下常用的几种卷积神经网络。卷积神经网络最初为解决图像识别问题而提出,目前广泛应用于图像,视频,音频和文本数据,可以当做深度学习的代名词。目前图像分类中的ResNet, 目标检测领域占统治地位的Faster R
常用卷积神经网络从基本原理到结构汇总
CNN的经典结构始于1998年的LeNet,成于2012年历史性的AlexNet,从此大盛于图像相关领域,主要包括:  1、LeNet,1998年  2、AlexNet,2012年  3、ZF-net,2013年  4、GoogleNet,2014年  5、VGG,2014年  6、ResNet,2015年LeNet前面博文已介绍,下面再补充介绍下其它几种网络结构。AlexNetAlexNet说明...
CNN笔记:通俗理解卷积神经网络
通俗理解卷积神经网络(cs231n与5月dl班课程笔记) 1 前言 2012年我在北京组织过8期machine learning读书会,那时“机器学习”非常火,很多人都对其抱有巨大的热情。当我2013年再次来到北京时,有一个词似乎比“机器学习”更火,那就是“深度学习”。 本博客内写过一些机器学习相关的文章,但上一...
反卷积神经网络介绍
反卷积是指:通过测量输出和已经输入重构未知输入的过程。在神经网络中,反卷积过程并不具备学习的能力,仅仅是用于可视化一个已经训练好的卷积网络模型,没有学习训练的过程。下图所示为VGG 16反卷积神经网络的结构,展示了一个卷积网络和反卷积网络结合的过程。VGG 16是一个深度神经网络模型。它的反卷积就是将中间的数据,按照前面卷积、池化等变化的过程,完全相反地做一遍,从而得到类似原始输入的数据。反卷积神...
卷积神经网络画图神器ConvNetDraw
最近在找画图软件,有window visual,但是很难用。 偶然发现这款神器,推荐给大家画图神器,下图是效果图:
卷积神经网络常用结构
卷积层 卷积层是卷积神经网络中最重要的部分,这个部分被称为过滤器。 过滤器可以将当前神经网络上的一个子节点矩阵转化为下一层神经网络上的一个单位节点矩阵,过滤器所处理的节点矩阵的长和宽都是人工指定的,这个节点矩阵的尺寸也被称为过滤器的尺寸。过滤器处理的矩阵深度和当前层神经网络节点矩阵的深度是一致的,因此过滤器的尺寸只需要指定两个维度。另一个需要人工指定的设置是处理得到的单位节点矩阵的深度,即过滤器...
图像识别和卷积神经网络架构原理
转自:机器之心 引言 先坦白地说,有一段时间我无法真正理解深度学习。我查看相关研究论文和文章,感觉深度学习异常复杂。我尝试去理解神经网络及其变体,但依然感到困难。 接着有一天,我决定一步一步,从基础开始。我把技术操作的步骤分解开来,并手动执行这些步骤(和计算),直到我理解它们如何工作。这相当费时,且令人紧张,但是结果非凡。 现在,
近年来的几种卷积神经网络的架构
这是博主的课程综述,请方家批评指正。                                
CNN入门讲解:如何理解卷积神经网络的结构
原创文章,一家之言。 个人公众号:follow_bobo 知乎号:蒋竺波 转载请通知本人。 大家好,我是波波,欢迎再次来到CNN入门讲解。 上次我们讲什么卷积以及卷积在卷积神经网络里的作用,那我们这一期来理一理卷积神经网络大致的结构
卷积神经网络的网络结构——DenseNet
《Densely Connected Convolutional Networks 》 2017,Gao Huang et al,DenseNet 作者通过观察目前深度网络的一个重要特点就是都加入了shorter connections,能够让网络更深、更准确、更高效。作者充分利用了skip connection,设计了一种稠密卷积神经网络(Dense Convolutional Netw...
几个经典卷积神经网络技术点总结
原文地址: CNN浅析和历年ImageNet冠军模型解析   卷积神经网络原理浅析   卷积神经网络(Convolutional Neural Network,CNN)最初是为解决图像识别等问题设计的,当然其现在的应用不仅限于图像和视频,也可用于时间序列信号,比如音频信号、文本数据等。在早期的图像识别研究中,最大的挑战是如何组织特征,因为图像数据不像其他类型的数据那样可以通过人工理解来提取...
卷积神经网络结构详解
原文参考:Deep Learning(深度学习)学习笔记整理系列之(七) 9.5、Convolutional Neural Networks卷积神经网络        卷积神经网络是人工神经网络的一种,已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显,使图像可以直
简单的卷积神经网络
一、建立一个简单的卷积神经网络如上图所示,一个简单的卷积神经网络由卷积层,池化层,激活层,全连接层组成。设计一个好的卷积神经网络不是简单的事情,包括卷积核大小的选择,比如1,3,5,7等几个常用的大小,还有卷积核的个数的选择,比如1,2,4,16,32等等,还有就是全连接层的激活函数的选择等。下面我们就来简单看看卷积核个数和激活函数的选择。二、卷积核个数的选择from tensorflow.exa...
卷积神经网络(cnn)的体系结构
  译者注 内容有部分增加与补充,阅读原文请点击这里   原作者的文章其实更利于读者对卷积本身的理解,但是实际上作者对卷积的现实意义的理解并没有解释的十分清楚,甚至可能不利于堵着的理解,也正因为如此我在翻译过程中可能对原文进行了比较大的改动,希望这对你有帮助.   实际上上卷积神经网络是来自神经学的研究,其计算过程实际上模拟了视觉神经系统的运算过程.这一部分内容其翻阅其他文章.   ...
CNN卷积神经网络层次结构
卷积神经网络层次结构包括: 数据输入层/ Input layer  卷积计算层/ CONV layer  激励层 / ReLU layer  池化层 / Pooling layer  全连接层 / FC layer  输入层(Input layer) 输入数据,通常会作一些数据处理,例如: 归一化:幅度归一化到同一范围 卷积计算层(CONV layer) 如上图图所示,左边为数据集...
卷积神经网络超详细介绍
1、卷积神经网络的概念 2、 发展过程 3、如何利用CNN实现图像识别的任务 4、CNN的特征 5、CNN的求解 6、卷积神经网络注意事项 7、CNN发展综合介绍 8、LeNet-5结构分析 9、AlexNet 10、ZFNet 10.1 意义 10.2 实现方法 10.3 训练细节 10.4 卷积网络可视化 10.6 总结 11、VGGNet 11.1 结构 11.2 网络特点: 1...
卷积神经网络的网络结构——LeNet5
《GradientBased Learning Applied to Document Recognition》 1989,LeCun et al,LeNet5,主要内容在5~9页。 图像处理都是小 patchs ,比如28*28或者36*36之类,考虑如下情形,对于一副1000*1000的图像,即,当隐层也有节点时,那么(第一层链接权值)的数量将达到级别,为了减少参数规模,加快训练速度,C...
文章热词 机器学习教程 Objective-C培训 交互设计视频教程 颜色模型 设计制作学习
相关热词 mysql关联查询两次本表 native底部 react extjs glyph 图标 大数据培训一般几个月 一般java培训时间