深度学习在图像识别中的应用-百度文库.pptx

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