色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

經(jīng)典圖像分類算法AlexNet介紹

新機器視覺 ? 來源:智能計算系統(tǒng) ? 作者:智能計算系統(tǒng) ? 2022-04-06 14:50 ? 次閱讀

本期開小灶Heyro將帶領大家進入下一趟旅程——基于卷積神經(jīng)網(wǎng)絡的圖像分類算法講解,從而幫助大家了解在卷積神經(jīng)網(wǎng)絡結構下衍生出的被用于圖像分類的經(jīng)典算法。

在了解圖像分類算法以前,我們先來了解“何為圖像分類”。

圖像分類的核心是從給定的分類集合中給圖像分配一個標簽的任務。簡言之,我們需要對一個輸入圖像進行分析后返回一個對應的分類標簽,標簽來自預先定義的可能類別集。圖像分類的任務即為正確給出輸入圖像的類別或輸出不同類別的概率。例如,我們先假設一個含有可能類別的類別集:

Categories = {cat, dog, fox}

然后,我們向分類系統(tǒng)提供一張狐貍犬的圖片。

經(jīng)過分類系統(tǒng)的處理,最終輸出可以是單一標簽dog,也可以是基于概率的多個標簽,例如cat:1%, dog:94%,fox:5% 。

計算機并不能像人類一樣快速通過視覺系統(tǒng)識別出圖像信息的語義。對于計算機而言,RGB圖像是由一個個像素數(shù)值構成的高維矩陣(張量)。計算機識別圖像的任務即尋找一個函數(shù)關系,該函數(shù)可將高維矩陣信息映射到一個具體的類別標簽中。利用計算機實現(xiàn)圖像分類目的過程隨即衍生出圖像分類算法。

圖像分類算法的起源——神經(jīng)認知機

傳統(tǒng)的圖像識別模型一般包括:底層特征學習>特征編碼>空間約束>分類器設計>模型融合等幾個流程。

2012年Alex Krizhevsky提出的CNN(卷積神經(jīng)網(wǎng)絡)模型在ImageNet大規(guī)模視覺識別比賽(ILSVRC)中脫穎而出,其效果大大超越了傳統(tǒng)的圖像識別方法,該模型被稱為AlexNet。

基于卷積神經(jīng)網(wǎng)絡的圖像分類算法起源最早可追溯到日本學者福島邦彥提出的neocognition(神經(jīng)認知機)神經(jīng)網(wǎng)絡模型。

福島邦彥于1978年至1984年研制了用于手寫字母識別的多層自組織神經(jīng)網(wǎng)絡——認知機。福島邦彥在認知機中引入了最大值檢出等概念。簡言之,當網(wǎng)格中某種神經(jīng)元損壞時,該神經(jīng)元立即可由其他神經(jīng)元來代替。由此一來,認知機就具有較好的容錯能力。

但是,認知機的網(wǎng)絡較為復雜,它對輸入的大小變換及平移、旋轉等變化并不敏感。雖然它能夠識別復雜的文字,但卻需要大量的處理單元和連接,這使得其硬件實現(xiàn)較為困難。

而福島邦彥在1980年提出的“神經(jīng)認知機”神經(jīng)網(wǎng)絡模型卻能夠很好地應對以上問題。

該模型借鑒了生物的視覺神經(jīng)系統(tǒng)。它對模式信號的識別優(yōu)于認知機。無論輸入信號發(fā)生變換、失真,抑或被改變大小等,神經(jīng)認知機都能對輸入信號進行處理。但是,該模型被提出后一直未受到較大關注,直至AlexNet在ILSVRC中大獲全勝,卷積神經(jīng)網(wǎng)絡的潛力才為業(yè)界所認知。

深度學習算法

自AlexNet之后,深度學習的發(fā)展極為迅速,網(wǎng)絡深度也在不斷地快速增長,隨后出現(xiàn)了VGG(19層)、GoogleNet(22層)、ResNet(152層),以及SENet(252層)等深度學習算法。

隨著模型深度和結構設計的發(fā)展,ImageNet分類的Top-5錯誤率也越來越低。在ImageNet上1000種物體的分類中,ResNet的Top-5錯誤率僅為3.57%。在同樣的數(shù)據(jù)集上,人眼的識別錯誤率約為5.1%,換言之,目前深度學習模型的識別能力已經(jīng)超過了人眼。

在卷積神經(jīng)網(wǎng)絡的歷史上,比較有里程碑意義的算法包括AlexNet、VGG、Inception (GoogleNet是Inception系列中的一員),以及ResNet。

在本期開小灶中,我們將首先為大家介紹經(jīng)典圖像分類算法AlexNet。

AlexNet 網(wǎng)絡結構

作為G. Hinton代表作的AlexNet是深度學習領域最重要的成果之一。下面讓我們一起從左到右依次認識這個結構。

在AlexNet網(wǎng)絡結構(如下圖所示)中,輸入為一個224×224大小的RGB圖像。

經(jīng)典圖像分類算法AlexNet介紹

AlexNet網(wǎng)絡結構

第一層卷積,用48個11×11×3的卷積核計算出48個55×55大小的特征圖,用另外48個11×11×3的卷積核計算出另外48個55×55大小的特征圖,這兩個分支的卷積步長都是4,通過卷積把圖像的大小從224′224減小為55×55。第一層卷積之后,進行局部響應歸一化 (LRN) 以及步長為2、池化窗口為3×3的最大池化,池化輸出的特征圖大小為27×27。

第二層卷積,用兩組各128個5×5×48的卷積核對兩組輸入的特征圖分別進行卷積處理,輸出兩組各128個27×27的特征圖。第二層卷積之后,做局部響應歸一化和步長為2、池化窗口為3×3的最大池化,池化輸出的特征圖大小為13×13。

第三層卷積,將兩組特征圖合為一組。采用192個3×3×256的卷積核對所有輸入特征圖做卷積運算,再用另外192個3×3×256的卷積核對所有輸入特征圖做卷積運算,輸出兩組各192個13×13的特征圖。

第四層卷積,對兩組輸入特征圖分別用192個3×3×192的卷積核做卷積運算。

第五層卷積,對兩組輸入特征圖分別用128個3×3×192的卷積核做卷積運算。第五層卷積之后,做步長為2、池化窗口為3×3的最大池化,池化輸出的特征圖大小為6×6。

第六層和第七層的全連接層都有兩組神經(jīng)元(每組2048個神經(jīng)元)。

第八層的全連接層輸出1000種特征并送到softmax中,softmax輸出分類的概率。

AlexNet 技術創(chuàng)新點

相較于傳統(tǒng)人工神經(jīng)網(wǎng)絡而言,AlexNet的技術創(chuàng)新體現(xiàn)在四個方面。

其一為Dropout(隨機失活)。Dropout于2012年由G. Hinton等人提出。該方法通過隨機舍棄部分隱層節(jié)點來緩解過擬合。目前,Dropout已經(jīng)成為深度學習訓練常用的技巧之一。

使用Dropout進行模型訓練的過程為:a. 以一定概率隨機舍棄部分隱層神經(jīng)元,即將這些神經(jīng)元的輸出設置為0;b.一小批訓練樣本經(jīng)過正向傳播后,在反向傳播更新權重時不更新其中與被舍棄神經(jīng)元相連的權重;c. 恢復被刪除神經(jīng)元,并輸入另一小批訓練樣本;d. 重復步驟a ~ c ,直到處理完所有訓練樣本。

其二為LRN(局部響應歸一化)。LRN對同一層的多個輸入特征圖在每個位置上做局部歸一化,從而提升高響應特征并抑制低響應特征。LRN的輸入是卷積層輸出特征圖經(jīng)過ReLU激活函數(shù)后的輸出。但近年來業(yè)界發(fā)現(xiàn)LRN層作用有限,因此目前使用LRN的研究并不多。

其三是Max Pooling(最大池化)。最大池化可以避免特征被平均池化模糊,從而提高特征的魯棒性。在AlexNet之前,很多研究用平均池化;從AlexNet開始,業(yè)界公認最大池化的效果比較好。

其四是ReLU激活函數(shù)。在AlexNet之前,常用的激活函數(shù)是sigmoid和tanh。而ReLU函數(shù)很簡單,我們在之前的開小灶中為大家講解過ReLU激活函數(shù)的特征,即輸入小于0時輸出0,輸入大于0時輸出等于輸入。看似非常簡單的ReLU函數(shù)卻在訓練時帶來了非常好的效果,這是業(yè)界在AlexNet之前未曾料想到的。AlexNet在卷積層和全連接層的輸出均使用ReLU激活函數(shù),從而有效提高訓練時的收斂速度。

AlexNet通過把看似平凡的技術組合起來取得了驚人的顯著效果。

正是由于AlexNet采用了深層神經(jīng)網(wǎng)絡的訓練思路,并輔以ReLU函數(shù)、Dropout及數(shù)據(jù)擴充等操作,使得圖像識別真正走向了與深度學習結合發(fā)展的方向。

原文標題:基于卷積神經(jīng)網(wǎng)絡的圖像分類算法講解

文章出處:【微信公眾號:機器視覺智能檢測】歡迎添加關注!文章轉載請注明出處。

審核編輯:湯梓紅

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權轉載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 神經(jīng)網(wǎng)絡

    關注

    42

    文章

    4771

    瀏覽量

    100719
  • 算法
    +關注

    關注

    23

    文章

    4607

    瀏覽量

    92840

原文標題:基于卷積神經(jīng)網(wǎng)絡的圖像分類算法講解

文章出處:【微信號:vision263com,微信公眾號:新機器視覺】歡迎添加關注!文章轉載請注明出處。

收藏 人收藏

    評論

    相關推薦

    使用卷積神經(jīng)網(wǎng)絡進行圖像分類的步驟

    使用卷積神經(jīng)網(wǎng)絡(CNN)進行圖像分類是一個涉及多個步驟的過程。 1. 問題定義 確定目標 :明確你想要分類圖像類型,例如貓和狗、不同的植物種類等。 數(shù)據(jù)需求 :確定需要多少數(shù)據(jù)以及
    的頭像 發(fā)表于 11-15 15:01 ?276次閱讀

    主動學習在圖像分類技術中的應用:當前狀態(tài)與未來展望

    本文對近年來提出的主動學習圖像分類算法進行了詳細綜述,并根據(jù)所用樣本數(shù)據(jù)處理及模型優(yōu)化方案,將現(xiàn)有算法分為三類:基于數(shù)據(jù)增強的算法,包括利用
    的頭像 發(fā)表于 11-14 10:12 ?258次閱讀
    主動學習在<b class='flag-5'>圖像</b><b class='flag-5'>分類</b>技術中的應用:當前狀態(tài)與未來展望

    圖像識別算法有哪幾種

    圖像識別算法是計算機視覺領域的核心技術之一,它通過分析和處理圖像數(shù)據(jù),實現(xiàn)對圖像中的目標、場景和物體的識別和分類
    的頭像 發(fā)表于 07-16 11:22 ?1050次閱讀

    圖像識別算法都有哪些方法

    圖像識別算法是計算機視覺領域的核心任務之一,它涉及到從圖像中提取特征并進行分類、識別和分析的過程。隨著深度學習技術的不斷發(fā)展,圖像識別
    的頭像 發(fā)表于 07-16 11:14 ?5513次閱讀

    圖像識別算法的提升有哪些

    引言 圖像識別是計算機視覺領域的核心任務之一,旨在使計算機能夠自動地識別和理解圖像中的內容。隨著計算機硬件的發(fā)展和深度學習技術的突破,圖像識別算法的性能得到了顯著提升。本文將
    的頭像 發(fā)表于 07-16 11:12 ?641次閱讀

    圖像識別算法的優(yōu)缺點有哪些

    圖像識別算法是一種利用計算機視覺技術對圖像進行分析和理解的方法,它在許多領域都有廣泛的應用,如自動駕駛、醫(yī)療診斷、安全監(jiān)控等。然而,圖像識別算法
    的頭像 發(fā)表于 07-16 11:09 ?1543次閱讀

    圖像識別算法的核心技術是什么

    圖像識別算法是計算機視覺領域的一個重要研究方向,其目標是使計算機能夠像人類一樣理解和識別圖像中的內容。圖像識別算法的核心技術包括以下幾個方面
    的頭像 發(fā)表于 07-16 11:02 ?625次閱讀

    經(jīng)典卷積網(wǎng)絡模型介紹

    經(jīng)典卷積網(wǎng)絡模型在深度學習領域,尤其是在計算機視覺任務中,扮演著舉足輕重的角色。這些模型通過不斷演進和創(chuàng)新,推動了圖像處理、目標檢測、圖像生成、語義分割等多個領域的發(fā)展。以下將詳細探討幾個經(jīng)典
    的頭像 發(fā)表于 07-11 11:45 ?508次閱讀

    計算機視覺怎么給圖像分類

    圖像分類是計算機視覺領域中的一項核心任務,其目標是將輸入的圖像自動分配到預定義的類別集合中。這一過程涉及圖像的特征提取、特征表示以及分類器的
    的頭像 發(fā)表于 07-08 17:06 ?644次閱讀

    一種利用光電容積描記(PPG)信號和深度學習模型對高血壓分類的新方法

    學習方法來對高血壓的四個階段進行分類。這里采用的分類方法是:Alexnet、Resnet -50、VGG-16和新的模型:AvgPool_VGG-16。使用這些算法時要考慮到數(shù)據(jù)集的數(shù)
    發(fā)表于 05-11 20:01

    OpenAI發(fā)布圖像檢測分類器,可區(qū)分AI生成圖像與實拍照片

    據(jù)OpenAI介紹,初步測試結果表明,該分類器在辨別非AI生成圖像與DALL·E 3生成圖像時,成功率高達近98%,僅有不到0.5%的非AI圖像
    的頭像 發(fā)表于 05-09 09:57 ?454次閱讀

    基于FPGA的常見的圖像算法模塊總結

    意在給大家補充一下基于FPGA的圖像算法基礎,于是講解了一下常見的圖像算法模塊,經(jīng)過個人的總結,將知識點分布如下所示。
    的頭像 發(fā)表于 04-28 11:45 ?589次閱讀
    基于FPGA的常見的<b class='flag-5'>圖像</b><b class='flag-5'>算法</b>模塊總結

    FPGA圖像處理之CLAHE算法

    在FPGA圖像處理--CLAHE算法(一)中介紹了為啥要用CLAHE算法來做圖像增強。
    的頭像 發(fā)表于 01-04 12:23 ?2507次閱讀
    FPGA<b class='flag-5'>圖像</b>處理之CLAHE<b class='flag-5'>算法</b>

    FPGA圖像處理-CLAHE算法介紹(一)

    介紹CLAHE算法之前必須要先提一下直方圖均衡化,直方圖均衡化算法是一種常見的圖像增強算法,可以讓像素的亮度分配的更加均勻從而獲得一個比較
    的頭像 發(fā)表于 01-02 13:32 ?1726次閱讀
    FPGA<b class='flag-5'>圖像</b>處理-CLAHE<b class='flag-5'>算法</b><b class='flag-5'>介紹</b>(一)

    CNN圖像分類策略

    在深度學習出現(xiàn)之前,自然圖像中的對象識別過程相當粗暴簡單:定義一組關鍵視覺特征(“單詞”),識別每個視覺特征在圖像中的存在頻率(“包”),然后根據(jù)這些數(shù)字對圖像進行分類。這些模型被稱為
    發(fā)表于 12-25 11:36 ?290次閱讀
    CNN<b class='flag-5'>圖像</b><b class='flag-5'>分類</b>策略
    主站蜘蛛池模板: 日韩欧美一区二区三区免费看 | xxnx动漫| 91蜜桃视频| xxx在线播放| 成人毛片免费观看视频大全| 国产成人精品午夜福麻豆报告| 俄罗斯XXXXXL18| 诱受H嗯啊巨肉舍友1V1| bl(高h)文| 久久国产欧美| 无码AV精品久久一区二区免费| 2020精品极品国产色在线| YELLOW在线观看高清视频免费| 国产成人无码一区AV在线观看 | 国产午夜精品一区二区| 亚洲 在线 日韩 欧美| 亚洲人成在线播放无码| 黄页网站18以下勿看免费| 久久综合色一综合色88中文| 日本xxxxxxx| 伊人久久影院大香线蕉| WWW婷婷AV久久久影片| 国内精品日本久久久久影院| 热九九99香蕉精品品| 又黄又爽又无遮挡在线观看免费| 国产精品久久久久久久人人看 | 99精品AV无码一区二区| 国产在线亚洲精品观| 任你懆视频 这里只有精品| 又亲又揉摸下面视频免费看| 国产成人综合高清在线观看 | 高干紧射H后入| 巨大乳hdbbw| 亚洲中文字幕日产乱码2020| 果冻传媒剧情在线观看| 天美传媒色情原创精品| 俺也去最新地址| 九九久久国产| 免费观看成人毛片| 在线观看视频一区| 免费看午夜高清性色生活片|