卷积神经网络的应用

一:卷积神经网络有哪些可以做的方向

卷积神经网络有以下几种应用可供研究:

1、基于卷积网络的形状识别

物体的形状是人的视觉系统分析和识别物体的基础,几何形状是物体的本质特征的表现,并具有平移、缩放和旋转不变等特点,所以在模式识别领域,对于形状的分析和识别具有十分重要的意义,而二维图像作为三维图像的特例以及组成部分,因此二维图像的识别是三维图像识别的基础。

2、基于卷积网络的人脸检测

卷积神经网络与传统的人脸检测方法不同,它是通过直接作用于输入样本,用样本来训练网络并最终实现检测任务的。它是非参数型的人脸检测方法,可以省去传统方法中建模、参数估计以及参数检验、重建模型等的一系列复杂过程。本文针对图像中任意大小、位置、姿势、方向、肤色、面部表情和光照条件的人脸。

3、文字识别系统

在经典的模式识别中,一般是事先提取特征。提取诸多特征后,要对这些特征进行相关性分析,找到最能代表字符的特征,去掉对分类无关和自相关的特征。然而,这些特征的提取太过依赖人的经验和主观意识,提取到的特征的不同对分类性能影响很大,甚至提取的特征的顺序也会影响最后的分类性能。同时,图像预处理的好坏也会影响到提取的特征。

二:什么是卷积神经网络?为什么它们很重要

卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。[1] 它包括卷积层(alternating convolutional layer)和池层(pooling layer)。

卷积神经网络是近年发展起来,并引起广泛重视的一种高效识别方法。20世纪60年代,Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性,继而提出了卷积神经网络(Convolutional Neural Networks-简称CNN)。现在,CNN已经成为众多科学领域的研究热点之一,特别是在模式分类领域,由于该网络避免了对图像的复杂前期预处理,可以直接输入原始图像,因而得到了更为广泛的应用。 K.Fukushima在1980年提出的新识别机是卷积神经网络的第一个实现网络。随后,更多的科研工作者对该网络进行了改进。其中,具有代表性的研究成果是Alexander和Taylor提出的“改进认知机”,该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。

三:为什么用卷积神经网络来做图像分类

卷积神经网络有以下几种应用可供研究: 1、基于卷积网络的形状识别 物体的形状是人的视觉系统分析和识别物体的基础,几何形状是物体的本质特征的表现,并具有平移、缩放和旋转不变等特点,所以在模式识别领域,对于形状的分析和识别具有十分重要的意义,而二维图像作为三维图像的特例以及组成部分,因此二维图像的识别是三维图像识别的基础。 2、基于卷积网络的人脸检测 卷积神经网络与传统的人脸检测方法不同,它是通过直接作用于输入样本,用样本来训练网络并最终实现检测任务的。它是非参数型的人脸检测方法,可以省去传统方法中建模、参数估计以及参数检验、重建模型等的一系列复杂过程。本文针对图像中任意大小、位置、姿势、方向、肤色、面部表情和光照条件的人脸。 3、文字识别系统 在经典的模式识别中,一般是事先提取特征。提取诸多特征后,要对这些特征进行相关性分析,找到最能代表字符的特征,去掉对分类无关和自相关的特征。然而,这些特征的提取太过依赖人的经验和主观意识,提取到的特征的不同对分类性能影响很大,甚至提取的特征的顺序也会影响最后的分类性能。同时,图像预处理的好坏也会影响到提取的特征。

四:卷积神经网络具体怎样训练

注意:训练样本和测试样本是不一样的。判断正确和错误,主要是看能不能通过训练分析机以及是否在误差内。正确率的得出:对测试样本进行测试,看看识别出来的有哪些,除以测试样本的总数即可。

五:cnn卷积神经网络用什么语言来写pascial

200+

这个是hinton matlab代码的C++改写版. convnetjs - Star,SAE,首选的肯定是LIBSVM这个库;RBM#47. DeepLearn Toolbox - Star,包括了CNN;C++SVM方面,Java。

2。

下面主要一些DeepLearning的GitHub项目吧;SdA#47:2200+

实现了卷积神经网络,还实现了Rasmussen的共轭梯度Conjugate Gradient算法,DBN,C/CRBM/CDBN#47:Python。

3,CAE等主流模型,实现的模型有DBN#47,可以用来做分类,语言是Python;LR等,从算法与实现上都比较全:800+

实现了深度学习网络. rbm-mnist - Star,应该是应用最广的机器学习库了,强化学习等. Deep Learning(yusugomo) - Star,Scala:1000+

Matlab实现中最热的库存,提供了5种语言的实现。

5;dA#47:500+

这是同名书的配套代码。

4. Neural-Networks-And-Deep-Learning - Star!

1,回归

六:卷积神经网络pooling层有什么用

pooling

理论在于,图像中相邻位置的像素是相关的。对一幅图像每隔一行采样,得到的结果依然能看。

经过一层卷积以后,输入的图像尺寸变化不大,只是缩小了卷积核-1。根据相邻数据的相关性,在每个nxn区域内,一般2x2,用一个数代表原来的4个数,这样能把数据缩小4倍,同时又不会损失太多信息。

一副24*24的图像。用5*5卷积核卷积,结果是20*20(四周各-2),经过2*2池化,变成10*10.

通过池化,数据规模进一步缩小,训练所需时间从而降低。

七:卷积神经网络中用1*1 卷积有什么作用或者好处

the port for the first time from the

八:卷积神经网络怎么用于比较图片

SVM方面,首选的肯定是LIBSVM这个库,应该是应用最广的机器学习库了。下面主要推荐一些DeepLearning的GitHub项目吧!1. convnetjs - Star:2200+实现了卷积神经网络,可以用来做分类,回归,强化学习等。2. DeepLearn Toolbox - Star:1000+Matlab实现中最热的库存,包括了CNN,DBN,SAE,CAE等主流模型。3. Deep Learning(yusugomo) - Star:800+实现了深度学习网络,从算法与实现上都比较全,提供了5种语言的实现:Python,C/C++,Java,Scala,实现的模型有DBN/CDBN/RBM/CRBM/dA/SdA/LR等。4. Neural-Networks-And-Deep-Learning - Star:500+这是同名书的配套代码,语言是Python。5. rbm-mnist - Star:200+这个是hinton matlab代码的C++改写版,还实现了Rasmussen的共轭梯度Conjugate Gradient算法。

九:卷积神经网络中的卷积核是学习得来,还是预定义好的

学习得来的。

一开始卷积核(参数W和b)都被“初始化”成很小的“随机值”。LeCun和Bengio教授的文章中建议在处理图像问题时,可以选择将W和b按照~U(-sqrt(3/k),sqrt(3/k))初始化。其中k是W和b的连接总数。假如滤波器的大小是4*4,那么k为16,U表示均匀分布,sqrt(*)为平方根运算。当然这个都是从经验出发的建议,并没有很明确的理论依据,如果有兴趣可以往这方面研究。

在使用训练数据对网络进行BP训练时,W和b的值都会往局部最优的方向更新,直至算法收敛。

所以卷积神经网络中的卷积核是从训练数据中学习得来的,当然为使得算法正常运行,你需要给定一个初始值。

深入细节可参考:deeplearning.net/tutorial/lenet.html

十:使用卷积神经网络做人脸识别,请问如何提高模型准确率

CNN卷积神经网络是一种深度模型。它其实老早就已经可以成功训练并且应用了(最近可能deep learning太火了,CNNs也往这里面靠。虽然CNNs也属于多层神经网络架构,但把它置身于DL家族,还是有不少人保留自己的理解的)。   它在原始的输入中应用可训练的滤波器trainable filters和局部邻域池化操作local neighborhood pooling operations,得到一个分级的且逐渐复杂的特征表示。有实践表示,如果采用合适的规则化项来训练,它可以达到非常好的效果。CNN还让人青睐的一点就是它会对例如姿势、光照和复杂背景存在不变性。

扫一扫手机访问

发表评论