CNN
關(guān)注創(chuàng)建者：匿名 創(chuàng)建時(shí)間：2021-11-04
CNN的視頻教程
視頻詳解CNN卷積神經(jīng)網(wǎng)絡(luò)與MATLAB程序識(shí)別數(shù)字人臉和英文字母
有程序） 第九章? 中文漢字識(shí)別用CNN算法與自帶程序作深入研究問(wèn)題(175分鐘) 107、CNN14_5測(cè)試數(shù)據(jù)路徑與圖像隨機(jī)顯示（9分鐘，有程序，網(wǎng)絡(luò)上免費(fèi)試看） 116、CNN14_14總結(jié)漢字識(shí)別算法及其算法結(jié)合思路（8分鐘，有程序） 第十章 ?手寫體數(shù)字識(shí)別用網(wǎng)絡(luò)流行的CNN算法程序(303+2分鐘) 136、CNN15_20cnntrain及cnntest功能及語(yǔ)法（12
￥260 1小時(shí)43分鐘 1593播放
查看
1-41基于matlab的CNN的圖像邊緣提取
基于matlab的CNN的圖像邊緣提取，程序已調(diào)通，可直接運(yùn)行。 購(gòu)買后可下載視頻中的源程序文件。
￥8.9 55.166秒 7播放
查看
十八分鐘掌握CNN卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像識(shí)別原理及代碼實(shí)現(xiàn)（附代碼）
課程當(dāng)中詳細(xì)介紹了CNN 卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像識(shí)別的代碼，附帶講解了部分原理，評(píng)論區(qū)有相應(yīng)的代碼分享，歡迎大家對(duì)視頻批評(píng)指正。
￥50 16分鐘 7播放
查看
CNN的實(shí)例教程
在本文中，我們探討了三種流行的圖像分割技術(shù)：Mask R-CNN、GrabCut 和 OpenCV。
讓我們了解一下，什么是 Mask R-CNN 和 GrabCut 的圖像分割？
1 什么是 R-CNN？
R-CNN代表基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)。它是一個(gè)開創(chuàng)性的對(duì)象檢測(cè)系統(tǒng)，將對(duì)象定位和識(shí)別結(jié)合到一個(gè)端到端的深度學(xué)習(xí)框架中。
?
R-CNN
RNN 可以概括為以下幾種方式。
· 區(qū)域建議：最初，區(qū)域建議算法（如選擇性搜索）會(huì)在圖像中生成一組可能包含感興趣對(duì)象的潛在邊界框區(qū)域。這些區(qū)域用作候選對(duì)象位置。
· 特征提取：然后，每個(gè)區(qū)域提案都會(huì)被單獨(dú)裁剪并調(diào)整為固定大小，并通過(guò)預(yù)先訓(xùn)練的 CNN（例如 AlexNet 或 VGGNet）傳遞。CNN 從區(qū)域中提取高級(jí)特征，將其轉(zhuǎn)換為固定長(zhǎng)度的特征向量。
· 分類和定位：從 CNN 獲得的特征向量被饋送到單獨(dú)的全連接層中。分類層預(yù)測(cè)區(qū)域中存在不同對(duì)象類別的概率，而回歸層細(xì)化邊界框的坐標(biāo)，從而提高定位精度。
· 非極大值抑制 （NMS）：為了消除冗余檢測(cè)，將應(yīng)用非極大值抑制。它刪除了重疊的邊界框，只為每個(gè)對(duì)象實(shí)例保留最可信的檢測(cè)。
2 掩碼 R-CNN
掩碼 R-CNN（基于掩碼區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)）是更快的 R-CNN 對(duì)象識(shí)別框架升級(jí)，增加了執(zhí)行實(shí)例分割的功能。該研究由 Kaiming He、Georgia Gkioxari、Piotr Dollár 和 Ross Girshick 在 2017 年出版的著作《Mask R-CNN》中提出。
實(shí)例分割的任務(wù)不僅包括檢測(cè)圖像中的對(duì)象，還包括在像素級(jí)別分割每個(gè)對(duì)象實(shí)例，從而為每個(gè)檢測(cè)到的對(duì)象提供二進(jìn)制掩碼。掩碼 R-CNN 在 Faster R-CNN 的兩階段架構(gòu)上開發(fā)，第三個(gè)分支用于像素級(jí)分割掩碼。
展開 卷積神經(jīng)網(wǎng)絡(luò) （CNN） 的優(yōu)缺點(diǎn)
2. CNN 的優(yōu)點(diǎn)：
3. 擅長(zhǎng)檢測(cè)圖像、視頻和音頻信號(hào)中的模式和特征。
1. 對(duì)平移、旋轉(zhuǎn)和縮放不變性具有魯棒性。
1. 端到端訓(xùn)練，無(wú)需手動(dòng)提取特征。
1. 可以處理大量數(shù)據(jù)并實(shí)現(xiàn)高準(zhǔn)確性。
4. CNN 的缺點(diǎn)：
1. 訓(xùn)練的計(jì)算成本很高，并且需要大量?jī)?nèi)存。
1. 如果沒(méi)有足夠的數(shù)據(jù)或使用適當(dāng)?shù)恼齽t化，則容易出現(xiàn)過(guò)擬合。
1. 需要大量標(biāo)記數(shù)據(jù)。
1. 可解釋性有限，很難理解網(wǎng)絡(luò)學(xué)到了什么。
5. 卷積神經(jīng)網(wǎng)絡(luò) – 常見問(wèn)題解答
6. 什么是卷積神經(jīng)網(wǎng)絡(luò) （CNN）？
卷積神經(jīng)網(wǎng)絡(luò) （CNN） 是一種非常適合圖像和視頻分析的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。CNN 使用一系列卷積和池化層從圖像和視頻中提取特征，然后使用這些特征對(duì)對(duì)象或場(chǎng)景進(jìn)行分類或檢測(cè)。
7. CNN 的工作原理是什么？
CNN 的工作原理是將一系列卷積層和池化層應(yīng)用于輸入圖像或視頻。卷積層通過(guò)在圖像或視頻上滑動(dòng)一個(gè)小濾波器或內(nèi)核，并計(jì)算濾波器和輸入之間的點(diǎn)積，從輸入中提取特征。然后，池化層對(duì)卷積層的輸出進(jìn)行下采樣，以降低數(shù)據(jù)的維度并提高其計(jì)算效率。
8. CNN 和卷積有什么區(qū)別？
? CNN（卷積神經(jīng)網(wǎng)絡(luò)）是一種深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，旨在通過(guò)使用卷積層提取特征來(lái)處理網(wǎng)格狀數(shù)據(jù)，例如圖像。
? 另一方面，卷積是 CNN 中的特定數(shù)學(xué)運(yùn)算，它將過(guò)濾器（內(nèi)核）應(yīng)用于輸入數(shù)據(jù)（如圖像）以檢測(cè)邊緣或紋理等模式。
9. CNN 的基本原理是什么？
卷積神經(jīng)網(wǎng)絡(luò) （CNN） 的基本原理是通過(guò)使用卷積層從輸入數(shù)據(jù)（通常是圖像）中自動(dòng)學(xué)習(xí)和提取分層特征。
10. 什么是卷積及其類型？
卷積是卷積神經(jīng)網(wǎng)絡(luò) （CNN） 中應(yīng)用的一種數(shù)學(xué)運(yùn)算，用于從輸入數(shù)據(jù)（例如圖像）中提取特征。
展開 從這個(gè)小小的實(shí)驗(yàn)中，我們可以管窺CNN究竟是通過(guò)什么樣的信息來(lái)識(shí)別物體，以及CNN是多么喜歡去找數(shù)據(jù)中的“捷徑”來(lái)fit數(shù)據(jù)的。
說(shuō)了這么多，這個(gè)文章也有幾點(diǎn)我覺得可以繼續(xù)深挖下去，包括：
1.在室內(nèi)場(chǎng)景，如NYU Depth這樣的數(shù)據(jù)集中，沒(méi)有這樣大面積的ground plane，CNN是如何估計(jì)出深度的？
2.在第一個(gè)分析實(shí)驗(yàn)中，既然CNN是通過(guò)車輪地面接觸點(diǎn)的縱坐標(biāo)來(lái)測(cè)距的，那么這個(gè)信息又是從哪里來(lái)的？網(wǎng)絡(luò)結(jié)構(gòu)基本是一個(gè)FCN，具有translation invariant的特點(diǎn)，那么理應(yīng)不包括坐標(biāo)信息。那是padding泄露了位置信息？還是通過(guò)車道線或者是其他的一些cue泄露了這個(gè)信息，這也是很有意思的一點(diǎn)。直觀上來(lái)講，物體的scale是CNN更容易捕捉的信息，但實(shí)際上并沒(méi)有，這也就說(shuō)明其實(shí)有一些CNN更直接可以利用的cue我們沒(méi)有發(fā)現(xiàn)到。
3.既然CNN對(duì)于crop和rotation很敏感，那如果我們訓(xùn)練的時(shí)候使用了random crop和random rotation這樣的data augmentation，那么CNN依賴的深度線索是否會(huì)有變化？
總結(jié)一下，現(xiàn)有基于CNN做深度估計(jì)的算法本質(zhì)上還都是通過(guò)overfit場(chǎng)景中的某種信息來(lái)進(jìn)行深度估計(jì)，整體來(lái)說(shuō)這些方法其實(shí)并沒(méi)有考慮到任何幾何的限制，所以在不同場(chǎng)景下的泛化能力也比較弱。
如何能結(jié)合geometry方法和learning方法的優(yōu)勢(shì)是一個(gè)老生常談的話題。
一方面這個(gè)問(wèn)題可以被拆分成兩部分，一部分通過(guò)幾何的辦法來(lái)完成不同位置相對(duì)深度的估計(jì)，另一部分通過(guò)一些場(chǎng)景先驗(yàn)或者數(shù)據(jù)驅(qū)動(dòng)的辦法來(lái)預(yù)測(cè)出絕對(duì)尺度，然后再融合這兩者得到一個(gè)可靠魯棒的深度估計(jì)。
展開 CNN 擅長(zhǎng)識(shí)別圖像任何部分的模式，然后將這些模式疊加在一起，以構(gòu)建更復(fù)雜的模式，就像人類一樣。
在普通神經(jīng)網(wǎng)絡(luò)中，我們將每個(gè)單獨(dú)的像素視為我們模型的輸入（而不是3個(gè)矩陣），但這忽略了相鄰像素是具有特殊的意義和結(jié)構(gòu)。對(duì)于 CNN，我們關(guān)注彼此相鄰的像素組，這允許模型學(xué)習(xí)像形狀，線條等的局部模式。例如，如果 CNN 在黑色圓圈周圍看到許多白色像素，它會(huì)將此模式識(shí)別為眼睛。
為了讓 CNN 實(shí)現(xiàn) translation variance，他們必須依靠特征檢測(cè)，也就是Sherlock Convolution Holmes 。
第二步
▌特征檢測(cè)：遇見 Sherlock Convolution Holmes
Sherlock 使用放大鏡，仔仔細(xì)細(xì)地檢查每一張圖像，找到該圖像的重要特征或“線索”。然后將這些簡(jiǎn)單的線條和形狀特征堆疊在一起，就可以開始看到像眼睛或鼻子這樣的面部特征。
每個(gè)卷積層都會(huì)包含一堆特征圖或相互構(gòu)建的“線索”。在所有卷積完成過(guò)后，他將所有這些線索放在一起，就破解了案件并正確識(shí)別出目標(biāo)。
每個(gè)特征圖都像是另一個(gè)“線索”
網(wǎng)絡(luò)的每個(gè)卷積層都有一組特征圖，這些特征圖使用分層方式來(lái)識(shí)別越來(lái)越復(fù)雜的圖案/形狀。CNN 使用數(shù)字模式識(shí)別來(lái)確定圖像最重要的特征。它使用更多的層將這些模式堆疊在一起，因此可以構(gòu)建非常復(fù)雜的特征圖。
卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)特征
讓人吃驚的是，CNN 他們可以自己學(xué)習(xí)到這些特征，而不需要工程師編寫代碼教他學(xué)習(xí)什么是2只眼睛，1個(gè)鼻子，嘴巴等等。
在這種方式下，工程師更像是建筑師。
展開 卷積神經(jīng)網(wǎng)絡(luò) （CNN） 通過(guò)從圖像中自動(dòng)學(xué)習(xí)特征的空間層次結(jié)構(gòu)，徹底改變了計(jì)算機(jī)視覺領(lǐng)域。在本文中，我們將探討 CNN 的基本構(gòu)建塊，并向您展示如何使用 TensorFlow 實(shí)現(xiàn) CNN 模型。
CNN 的構(gòu)建塊
CNN 由各層組成，每個(gè)層在處理和提取輸入圖像中的特征時(shí)執(zhí)行特定任務(wù)。主要構(gòu)建塊是：
卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)
1. 卷積層
它接收一個(gè)輸入特征圖（可以是圖像）并應(yīng)用一組過(guò)濾器（或內(nèi)核）來(lái)創(chuàng)建新的特征圖。這些濾鏡從圖像中捕獲不同的特征，例如邊緣、角落和紋理。卷積作由濾波器大小、步幅和填充等參數(shù)控制。
import tensorflow as tf
conv_layer = tf.keras.layers.Conv2D(
filters=32, kernel_size=(3, 3), strides=(1, 1), padding='valid',
activation='relu', kernel_initializer='glorot_uniform',
)
2. 池化層
它用于對(duì)特征圖進(jìn)行下采樣，即在保留最重要的信息的同時(shí)減小它們的大小。
展開 
CNN的相關(guān)專題、標(biāo)簽、搜索
CNN的最新內(nèi)容
? 描述 ANN、CNN、RNN、Transformer 和 LLM，并理解它們?nèi)绾翁幚韴D像、文本和序列數(shù)據(jù)。
? 將人工智能概念與現(xiàn)實(shí)應(yīng)用聯(lián)系起來(lái)，如欺詐檢測(cè)、推薦系統(tǒng)以及圖像和語(yǔ)音處理。
? 解釋人工智能系統(tǒng)開發(fā)步驟、數(shù)據(jù)類型、使用Python/MATLAB的基本實(shí)現(xiàn)，以及生成式人工智能入門。
要求
● 無(wú)需技能。
我們將使用PyTorch搭建深度學(xué)習(xí)環(huán)境，然后訓(xùn)練和部署不同類型的深度學(xué)習(xí)模型，如CNN、RNN和自編碼器。
你將學(xué)習(xí)如何通過(guò)調(diào)整超參數(shù)來(lái)優(yōu)化模型，以及如何在多處理器和分布式環(huán)境中使用 PyTorch。我們將討論長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTMs），并構(gòu)建一個(gè)用于預(yù)測(cè)文本的語(yǔ)言模型。
- 缺失數(shù)據(jù)處理與數(shù)據(jù)清洗
- 特征縮放與歸一化
- 分類數(shù)據(jù)編碼
- 理解機(jī)器學(xué)習(xí)中的回歸
- 簡(jiǎn)單線性回歸與多元線性回歸
- 邏輯回歸與決策樹
- 模型評(píng)估與交叉驗(yàn)證
- 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)入門
- 構(gòu)建用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)（CNN
進(jìn)行數(shù)據(jù)處理與預(yù)處理
- 數(shù)據(jù)可視化技術(shù)
- 缺失數(shù)據(jù)處理與數(shù)據(jù)清洗
- 特征縮放與歸一化
- 分類數(shù)據(jù)編碼
- 理解機(jī)器學(xué)習(xí)中的回歸
- 簡(jiǎn)單線性回歸與多元線性回歸
- 邏輯回歸與決策樹
- 模型評(píng)估與交叉驗(yàn)證
- 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)入門
- 構(gòu)建用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)（CNN
尺寸標(biāo)準(zhǔn)化：所有圖像 resize 為 224×224，并復(fù)制為 3 通道 RGB 格式，以適配 CNN 輸入。
深度學(xué)習(xí)技術(shù)，特別是基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的模型，通過(guò)海量的缺陷樣本數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)會(huì)了像經(jīng)驗(yàn)豐富的質(zhì)檢員一樣“理解”什么是缺陷。它能有效區(qū)分干擾與真實(shí)缺陷，對(duì)模糊、不規(guī)則的缺陷具有極高的識(shí)別率和極低的誤判率，實(shí)現(xiàn)了檢測(cè)能力的質(zhì)的飛躍。
自動(dòng)化控制與分揀（執(zhí)行）：
一旦識(shí)別出缺陷，系統(tǒng)會(huì)立即記錄缺陷的類型、位置、尺寸等信息，并生成檢測(cè)報(bào)告。
CNN去噪U(xiǎn)-Net：標(biāo)準(zhǔn)U-Net結(jié)構(gòu)，適用于去噪、修復(fù)低分辨率照片。采用SSIM結(jié)構(gòu)相似性損失，增強(qiáng)輸出圖像的對(duì)比度和邊緣細(xì)節(jié)。
生成對(duì)抗網(wǎng)絡(luò)（GANs）：生成器（Generator）負(fù)責(zé)修復(fù)和增強(qiáng)照片。判別器（Discriminator）評(píng)估生成的照片與真實(shí)照片之間的差異。通過(guò)交替訓(xùn)練生成器和判別器，提高修復(fù)照片的真實(shí)性和質(zhì)量。
此外，還可以基于卷積神經(jīng)網(wǎng)絡(luò)（CNN），篩選出適宜加工的超表面單元。
對(duì)于傳統(tǒng)光刻工藝而言，光學(xué)鄰近效應(yīng)校正（OPC）本身就是改善設(shè)計(jì)偏差的重要環(huán)節(jié)。人工智能能夠提供更準(zhǔn)確的掩膜圖案，從而實(shí)現(xiàn)對(duì)復(fù)雜超表面單元結(jié)構(gòu)的精準(zhǔn)投影曝光，降低特征尺寸（CD）的變化率，提高超表面器件的效率。
而卷積神經(jīng)網(wǎng)絡(luò)（CNN）則是一種專門設(shè)計(jì)用于處理具有網(wǎng)格狀拓?fù)涞臄?shù)據(jù)的深度學(xué)習(xí)模型，它在圖像識(shí)別和理解方面表現(xiàn)出了卓越的能力。CNN通過(guò)多層結(jié)構(gòu)，允許計(jì)算機(jī)自動(dòng)提取輸入數(shù)據(jù)的特征，從而為圖像重建等任務(wù)提供可靠支持。CNN的核心是卷積層，它通過(guò)在輸入數(shù)據(jù)上滑動(dòng)卷積核，分析數(shù)據(jù)的局部特征，隨著層數(shù)加深，網(wǎng)絡(luò)則能夠?qū)W習(xí)到更復(fù)雜的形態(tài)特征。
在人工智能圖像重建中，RBF和CNN等算法和模型被廣泛應(yīng)用。
xFtGKiQ8lCZHqJQkH7iSAZVlniWaOMpODEu6SIb5JmEhcsZWSOSUkFWdCiw8ssUkrBIkbm6/U2iokBURXIq5USrla2kqKKFEdnCb1qDGGkYFNzFchRub6rcXJrryGUfaqPHsmR2l0MmFJWl0rCVEhao86UQhshIaRvsT36+EDBsJlkQhS4G1xIq9yFNyIvbGyVWaSOZRmRCGbZCkK4CNaI4q2zVABLGWehklDGJ5VrIR2l28IT9RTxIpYqWbHJVFI9Cnn6lvSGkv1z
