- 1、本文档共57页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
深度学习在图像识别中的应用-百度文库概要1
深度学习在图像识别中的应用;目
录;图像识别概述;图像识别;图像识别;图像识别的应用;图像识别的常用方法;人工神经网络与深度学习;人脑识别的过程;ANN的发展史;人工神经网络与深度学习;深度学习的现状;深度学习对图像识别的影响;深度学习;卷积神经网络(CNN);CNN的由来;CNN概述;CNN的三个基本概念;局部感受野;局部感受野;局部感受野;卷积;共享权重;特征图(Feature Map);池化;CNN的结构;卷积和子采样过程:
卷积过程包括:用一个可训练的滤波器fx去卷积一个输入的图像(第一阶段是输入的图像,后面的阶段就是卷积特征图了),然后加一个偏置bx,得到卷积层Cx。
子采样过程包括:每邻域四个像素求和变为一个像素,然后通过标量Wx+1加权,再增加偏置bx+1,然后通过一个sigmoid激活函数,产生一个大概缩小四倍的特征映射图Sx+1。;光栅化;LeNet-5;LeNet-5;Mnist数据库;LeNet-5;C1层:
输入图片大小: 32*32
卷积窗大小: 5*5
卷积窗种类: 6
输出特征图数量: 6
输出特征图大小: 28*28 (32-5+1)
神经元数量: 4707 [(28*28)*6)]
可训练参数: 156 [(5*5+1)*6]
连接数: 12304 [(5*5+1)*(28*28)]*6
;S2层:
输入图片大小: (28*28)*6
卷积窗大小: 2*2
卷积窗种类: 6
输出下采样图数量:6
输出下采样图大小:14*14
神经元数量: 1176 (14*14)*6
可训练参数: 12 (6*2)
连接数: 5880 (4+1)*(14*14)*6
;C3层:
输入图片大小: (14*14)*6
卷积窗大小: 5*5
卷积窗种类: 16
输出特征图数量: 16
输出特征图大小: 10*10 (14-5+1)
神经元数量: 1600 [(10*10)*16)]
可训练参数: 1516
[6*(3*25+1) + 6*(4*25+1) + 3*(4*25+1)+ 1*(6*25+1)]
连接数: 151600
{[6*(3*25+1)+ 6*(4*25+1) + 3*(4*25+1)+ 1*(6*25+1)]*(10*10)}
;
X了的表示两者之间有连接
组合
底层的结构构成上层更抽象的结构;S4层:
输入图片大小: (10*10)*16
卷积窗大小: 2*2
卷积窗种类: 16
输出下采样图数量:16
输出下采样图大小:5*5
神经元数量: 400 (5*5)*16
可训练参数: 32 (16*2)
连接数: 2000 (4+1)*(5*5)*16
;C5层:
输入图片大小: (5*5)*16
卷积窗大小: 5*5
卷积窗种类: 120
输出特征图数量: 120
输出特征图大小: 1*1 (5-5+1)
神经元数量: 120 (1*120)
连接数: 48120 [16*25+1]*1*120(全连接)
可训练参数: 48120 [16*25+1]*1*120;F6层:
输入图片大小: (1*1)*120
卷积窗大小: 1*1
卷积窗种类: 84
输出特征图数量: 84
输出特征图大小: 1
神经元数量: 84
连接数: 10164 (120+1)*84(全连接)
可训练参数: 10164 (120+1)*84;OUTPUT层:
输入图片大小: 1*84
输出特征图数量: 1*10
输出1000000000,则表明是数字0的分类。;CNN的两个部分;训练算法;梯度下降法;梯度下降法;梯度下降法的步骤;;随机梯度下降;BP算法(backpropagation);四个重要方程式;BP算法流程;反向传播算法+随机梯度下降;CNN对BP算法的修正;结束语;CNN的优缺点;CNN的发展;现状;参考文献
文档评论(0)