《人工智能应用素养》_13.3品类分类算法.pptxVIP

01;卷积神经网络;卷积神经网络

本质上是一个多层感知机，其成功是由于采用了局部连接和共享权值的方式，使得神经网络易于优化，降低过拟合的风险。

卷积神经网络可以使用图像直接作为神经网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程

;卷积神经网络在二维图像处理上有优势

如能自行抽取图像特征，在复杂任务上具有良好的鲁棒性和运算效率等。

卷积神经网络可以处理环境信息复杂、背景知识不清楚、推理规则不明确情况下的问题;卷积神经网络

最主要的功能是特征提取和降维。

特征提取是的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。

特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域;降维

指通过线性或非线性映射，将样本从高维度空间映射到低维度空间，

获得高维度数据的一个有意义的低维度表示过程。

;卷积神经网络：一种特殊的深层神经网络模型，它的特殊性体现在两个方面：

它的神经元的连接是非全连接的（局部连接或稀疏连接）

同一层中某些神经元之间的连接的权重是共享的（即相同的）

卷积神经网络是一种有监督学习的机器学习模型，具有极强的适应性

善于挖掘数据局部特征，提取全局训练特征和分类，

权值共享结构使之更类似于生物神经网络，在模式识别各个领域都取得了很好的成果。

;卷积神经网络

由输入层、卷积层、池化层、全连接层以及输出层组成;卷积作用：获取各层特征

;总结：卷积层的通过卷积核的过滤提取出图片中局部的特征，跟上人类视觉的特征提取类似。;池化层作用：降低维度;全连接作用：转换维度，多维变一维，判断分类

;;?LeNet-5的结构就如下图所示：

卷积层–池化层-卷积层–池化层–卷积层–全连接层

;CNN有哪些实际应用？

;基于卷积神经网络的图像分类算法;图像分类

即给定一幅输入图像，通过某种分类算法来判断该图像所属的类别。

图像分类的主要流程包括图像预处理、图像特征描述和提取以及分类器的设计。

预处理包括图像滤波（例如中值滤波、均值滤波、高斯滤波等）和尺寸的归一化等操作

图像特征是对凸显特性或属性的描述，特征提取，

分类器就是按照所选取的特征来对目标图像进行分类的一种算法。

;传统的图像分类方法

性能差异性主要依赖于特征提取及分类器选择两方面，

传统图像分类算法所采用的特征都为人工选取，常用的图像特征有形状、纹理、颜色等底层视觉特征。

;传统的图像分类方法缺点

;卷积神经网络图像分类方法

不再需要人工对目标图像进行特征描述和提取，

通过神经网络自主地从训练样本中学习特征，并且这些特征与分类器关系紧密

很好地解决了人工提取特征和分类器选择的难题。

;常用的经典卷积神经网络模型;常用的经典卷积神经网络模型

1.LeNet-5模型

2.AlexNet模型

3.VGGnet

4.GoogleNet

5.ResNet

6.DenseNet

;分类器的一般训练过程;分类器的一般训练过程

;分类器的一般训练过程

;分类器的一般训练过程

;分类器的一般训练过程

;感谢您的观看！