初识CNN1

深度学习可以说救了计算机视觉

卷积神经网络可以做的事情

• 检测任务
  • 在摄像头中检测或者追踪
  • 图像遍历分割
  • 分类和检索
  • 超分辨率重构
  • 医学任务
  • 无人驾驶
  • 人脸识别

只要有特征了，还有什么东西不能做！~

GPU 图像处理单元

• 处理图像任务
• 做卷积
• 做全连接
• 做各种运算

比CPU快100倍！！

在学习阶段我们还是可以用CPU来跑代码，在实际的项目中我们推荐使用GPU来跑

但凡能跟图像搭上边的，都可用神经网络或者卷积神经网络来做

用CNN卷积神经网络来做点东西

神经网络是用来干什么的？

神经网络是用来做特征提取的

卷积神经网络CNN也是用来做特征提取的

• 解决当前存在的问题，视频说白了就是图像的数据

如何进行特征提取？

需要的训练比较高

提出一种做卷积的特征提取方法

---

卷积网络和传统网络的区别

• NN传统神经网络

  • 看起来像二维
  • 输入的东西是784像素点，是一维的列向量

• CNN卷积神经网络

  • 像三维
  • 输入28281的长方体矩阵，三维的
  • hwc

c表示的是3维的

整体架构

• 输入层
  • 28281
• 卷积层
  提取特征
• 池化层
  压缩特征
• 全连接层
  通过权重

卷积做的事

把一张图像分成好多部分

• 先把图像进行分割成一块块的小区域
• 每个小区域的图像特征是不一样的
• 选择一种计算方法，计算每一个区域他应该的特征值是多少

在1号区域进行特征提取特征值

使用权重参数得到特 征值

• x1是我们拿到的当前区域
• w1是权重参数矩阵

找到最好的权重参数矩阵
使得最后的特征提取效果最好

把绿色的东西叫做特征图

---

图像颜色通道

32323
图像是有通道的

• 让每个通道的颜色单独去做计算
• 把每个通道的结果卷积在一起

过程

• 每个区域单独计算单独通道的值。其实是3个通道
• 3个通道的值分别加在一起。

• 找一个三维的立体区域
• 找特征值
• 分区域对当前的数据进行特征提取

维度必须是一样的

输入的东西是7*7*3的

意思是表格的长是7
宽度是7
总共3维，3个
1
2
3
4
5

输入的东西中c是多少，filter中的个数 也必须和他一起对应

filter中的数据3*3*3

前面的两个3*3表示的是在原始图像中每多大的小区域选取一个特征
1

对应的是一个特征值

从图片中我们可以观察到从原始图像中计算的3个不同通道的值是不一样的。

卷积核的值按权重计算