最新消息: USBMI致力于为网友们分享Windows、安卓、IOS等主流手机系统相关的资讯以及评测、同时提供相关教程、应用、软件下载等服务。

FCN全连接卷积网络(1)--CNN卷积网络的知识储备

互联网 admin 1浏览 0评论

FCN全连接卷积网络(1)--CNN卷积网络的知识储备

FCN全连接卷积网络(1)

什么是全连接卷积网络

全连接神经网络,是和语义分割相关的,所以我们先要明白什么是语义分割?
语义分割:大定义我们在说语义时都是和文字相关的问题,但是实际上在模式识别当中语义识别主要应用是:让机器实识别出面图像中的不同内容
这里主要是对图中每个内守每一个小部分打一个标签,之后再通过训练让机器帮我们完成这个任务。

为什么使用卷积网络

想要明白全连接卷积网络,我们首先的明白卷积网络
我们首先要理解卷积网络的设计思路:
1.粗略的讲,一个图像中的信息提取,某一块的特征是集中在一部分的。所以应该使用对临近节点更加重视的卷积网络。
2.但是上面说了半天其实也没有彻底说明白,我们识别图像主要是识别什么?主要是识别图像的轮廓和边界,而轮廓、边界和那些离轮廓边界很远的内容的特征是毫无关系的。所以我们需要抓住一块块临近区域的特征。
我们可以简单的将卷积网络理解成,用滤波器将相邻像素之间的轮廓过滤出来。
另外,我们还要理解全连接的弊端有哪些?
那么我们再理解一下,如果我们不使用卷积的方法来进行实现,而是使用全连接的方法进行实现,那么会是如何?其实也不会和卷积的方法有什么区别,因为最后经历了很多的学习,那些很远的像素,也会在学习的过程当中,被逐渐的淘汰,但是,这个淘汰的过程当中会消耗很多的计算量。这个是我们不愿意看到的。虽然每一个像素不用多消耗什么,但是多了就会多消耗很多。
卷积网络的学习模型大约如下

这里是简单的端到端的学习(End to End),这种学习的特点是从一个图片到另外一个图片。首先,我们对原有的图像进行降维和特征提取,之后,我们再将较小的特征图恢复为原来的图。
我们详细来看这个过程,首先,我们是使用卷积网络提取特征,这里注意我们特征提取的部分其实也是由算法帮助我们自行实现的,不用我们自己处理。因为我们是进行深度学习嘛,也就是特征提取由算法自行完成。详细理解可以参考我另外的博客:
然后,我们再将这些特征也就是Features进行充分的学习,将其转化成我们的输出。这个过程其实是表示学习的过程。

FCN全连接卷积网络(1)--CNN卷积网络的知识储备

FCN全连接卷积网络(1)

什么是全连接卷积网络

全连接神经网络,是和语义分割相关的,所以我们先要明白什么是语义分割?
语义分割:大定义我们在说语义时都是和文字相关的问题,但是实际上在模式识别当中语义识别主要应用是:让机器实识别出面图像中的不同内容
这里主要是对图中每个内守每一个小部分打一个标签,之后再通过训练让机器帮我们完成这个任务。

为什么使用卷积网络

想要明白全连接卷积网络,我们首先的明白卷积网络
我们首先要理解卷积网络的设计思路:
1.粗略的讲,一个图像中的信息提取,某一块的特征是集中在一部分的。所以应该使用对临近节点更加重视的卷积网络。
2.但是上面说了半天其实也没有彻底说明白,我们识别图像主要是识别什么?主要是识别图像的轮廓和边界,而轮廓、边界和那些离轮廓边界很远的内容的特征是毫无关系的。所以我们需要抓住一块块临近区域的特征。
我们可以简单的将卷积网络理解成,用滤波器将相邻像素之间的轮廓过滤出来。
另外,我们还要理解全连接的弊端有哪些?
那么我们再理解一下,如果我们不使用卷积的方法来进行实现,而是使用全连接的方法进行实现,那么会是如何?其实也不会和卷积的方法有什么区别,因为最后经历了很多的学习,那些很远的像素,也会在学习的过程当中,被逐渐的淘汰,但是,这个淘汰的过程当中会消耗很多的计算量。这个是我们不愿意看到的。虽然每一个像素不用多消耗什么,但是多了就会多消耗很多。
卷积网络的学习模型大约如下

这里是简单的端到端的学习(End to End),这种学习的特点是从一个图片到另外一个图片。首先,我们对原有的图像进行降维和特征提取,之后,我们再将较小的特征图恢复为原来的图。
我们详细来看这个过程,首先,我们是使用卷积网络提取特征,这里注意我们特征提取的部分其实也是由算法帮助我们自行实现的,不用我们自己处理。因为我们是进行深度学习嘛,也就是特征提取由算法自行完成。详细理解可以参考我另外的博客:
然后,我们再将这些特征也就是Features进行充分的学习,将其转化成我们的输出。这个过程其实是表示学习的过程。

发布评论

评论列表 (0)

  1. 暂无评论