课设PPT模板范文.pptx

课设PPT模板20xx年08月

讲课老师：课程卷积神经网络概述

卷积与步长02卷积神经网络01教学任务及目标学习重点：什么是卷积，为什么要引入卷积？卷积神经网络的基本原理学习难点：卷积实现过程和池化实现过程

卷积神经网络01PART

人脸识别自动驾驶安防检测卷积神经网络最擅长的就是图片的处理目前卷积神经网络已经得到了广泛的应用，比如：人脸识别、自动驾驶、安防等很多领域卷积神经网络的两大特点：能够有效地将大数据量的图片降维成小数据量②能够有效地保留图片特征，使结果符合图片处理的原则卷积神经网络(CNN)人工智能：机器展现的人类智能

典型的卷积神经网络由3个部分构成：卷积层：负责提取图像中的局部特征池化层：大幅降低参数量级(降维)全连接层：输出想要的结果卷积神经网络的基本原理

为什么选用这样多层卷积与池化的方式进行图像特征提取？在实际使用中，通过多层卷积与池化进行特征提取例如LeNet-5的结构卷积层池化层全连接层池化层卷积层卷积神经网络的基本原理

人脑进行人脸识别的一个示例1981年诺贝尔医学奖得主：DavidHubel和TorstenWiesel发现了视觉系统的信息处理规律，即可视皮层是分级的人类的视觉原理如下：原始信号摄入（瞳孔摄入像素Pixels）初步处理（大脑皮层某些细胞发现边缘和方向）抽象（大脑判定眼前的物体的特征，如鼻子/眼睛）进一步抽象（大脑进一步判定特征组合是人脸）卷积神经网络的基本原理

对于不同的物体，人类视觉也是通过这样逐层分级来进行认知的在最底层特征基本上是类似的各种边缘，越往上，越能提取出此类物体的一些特征（眼睛、轮子、躯干等），到最上层，不同的高级特征最终组合成相应的图像，从而能够让人类准确的区分不同的物体卷积神经网络的基本原理

卷积与步长02PART

卷积神经网络，顾名思义卷积就是其中的关键什么是卷积？卷积的过程可以简单地理解为，用滤波器(Filter)(也称卷积核)将相邻像素之间的轮廓过滤出来全连接神经网络是以y=wx+b的形式连接卷积神经网络的权重w就是卷积核的数值，它常常是一个矩阵卷积(Convolution)

1010101011110001110001110011001100目标数据卷积核卷积的滤波器是如何工作的呢？矩阵相同位置上的元素相乘之后求和ImageConvolvedFeature卷积(Convolution)

案例——边界检测假设一张图片，大小8×8000000000000000000000000000000002550卷积(Convolution)

图片中的数字代表该位置的像素值，像素值越大，颜色越亮为了示意，把右边小像素的地方画成深色。图的中间两个颜色的分界线就是要检测的边界怎么检测这个边界呢？255000000000000000000000000000000000卷积(Convolution)

用这个卷积核，往图片上“盖”，覆盖一块跟卷积核一样大的区域之后，对应元素相乘，然后求和3×3计算一个区域后，就向其他区域挪动，接着计算，直到把原图片的每一个角落都覆盖到了为止这个过程就是“卷积”卷积(Convolution)

这里的“挪动”，就涉及到一个步长了假如步长是1，那么覆盖了一个地方之后，就挪一格步长（stride）

总共可以覆盖6×6个不同的区域将这6×6个区域的卷积结果，拼成一个矩阵注意到，这个图片中间颜色浅，两边颜色深，这说明原图片中间的边界，在这里被反映出来了卷积(Convolution)

通过设计特定的卷积核，让它去跟图片做卷积，就可以识别出图片中的某些特征，比如边界。因此卷积得出的图片称为特征图或特征矩阵（FeatureMap）怎么可能去设计这么多各种各样的卷积核？对于一大堆图片，不一定清楚需要识别哪些特征知道了有哪些特征，想设计出对应的卷积核，也并非易事，特征的数量可能是成千上万的卷积(Convolution)

填充与池化03PART

(8,8)-(6,6)-(4,4)填充（Padding）原图像在经过卷积核卷积之后，变小了，从(8,8)变成了(6,6)。假设再卷一次，那大小就变成了(4,4)了主要有两个问题：①每次卷积，图像都缩小，这样卷不了几次就没了②相比于图片中间的点，图片边缘的点在卷积中被计算的次数很少。这样的话，边缘的信息就易于丢失

为了解决这个问题，可以采用填充的方法每次卷积前，先给图片周围都补一圈空白，让卷积之后图片跟原来一样大，同时，原来的边缘也被计算了更多次填充（Padding）

用卷积核进行窗口滑动过程中，实际上重叠计算了很多冗余的信息，而池化操作就是去除这些冗余信息，提取这个区域的主要特征，防止过拟合比如M