卷积以后图像大小计算公式 卷积神经网络如何进行图像识别？
卷积神经网络如何进行图像识别？
可见这是更高级的互联网技术的问题！有些专业知识需要特别说明。
首先，我们需要知道什么是卷积神经网络？下面是我在网上搜索整理的一些粗浅的知识！
卷积神经网络(CNN)是一种具有深度结构的前馈神经网络，包含卷积计算，是深度学习的代表性算法之一。卷积神经网络具有表示学习的能力，可以根据其层次结构对输入信息进行平移不变的分类，因此也被称为 "平移不变人工神经网络 "。具体解释可以自己搜索。
那么卷积神经网络是如何实现图像识别的呢？他有几个台阶。
1、图像识别数据收集
MNIST手写识别数据集的求解是一个相对简单的问题，但是对于更复杂的类别，可以使用CIFAR数据集。例如，CIFAR10数据集收集了来自10个不同类别的60，000张图片，每张图片的像素为32x32，如下所示。
CIFAR10数据集类似于MNIST，每张图片的大小是固定的，每张图片只包含一个类别。不同的是CIFAR10中的图片都是彩色的，分类难度比MNIST高，人工标注的正确率在94%左右。
在现实生活中，图片的格式并不总是一成不变的，种类远不止10种。每张图片还包含多个元素，所以需要更强大的数据集。由斯坦福大学的李菲菲开发的ImageNet拥有近1500万张图片，这些图片与大约2万个类别相关。
ImageNet每年都会举办图像识别大赛ILSVRC(现已关闭)，每年比赛都会提供不同的数据集。下图是Imag
倍积运算？
卷积运算是指从图像的左上角打开一个与模板大小相同的活动窗口。将窗口图像和模板像素进行相应的相乘和相加，用计算结果代替窗口中心像素的亮度值。然后，活动窗口向右移动一列，并执行相同的操作。以此类推，从左到右，从上到下，可以得到一个新的图像。
空间滤波:是一种基于像素和相邻像素的空间关系，通过卷积运算实现图像滤波的方法。频域中的:滤波对图像执行傅立叶变换。
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
