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/發帖/加入社區
會員中心
电子发烧友
开通电子发烧友VIP会员 尊享10大特权
海量资料免费下载
精品直播免费看
优质内容免费畅学
课程9折专享价
創作中心

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

CNN結構基本情況

新機器視覺 ? 來源:人工智能感知信息處理算 ? 作者:人工智能感知信息 ? 2022-07-05 11:50 ? 次閱讀

深度學習機器學習算法研究中新開辟的研究方向,在圖像領域的應用是最開始的嘗試。近年以來,計算機視覺領域和 CNN 網絡結構的不斷更新發展,出現了一批代表性的深度卷積神經網絡。本章節主要介紹目標檢測算法 YOLO 系列借鑒了設計思想的這些框架,分別是:Le Net、Alex Net、VGG、Goog Le Net和 Res Net。表 1 所示,介紹了代表性的 CNN 結構基本情況。

a240625c-fc14-11ec-ba43-dac502259ad0.png

1 LeNet

LeNet 卷積神經網絡是由深度學習三巨頭之一的 Yan Le Cun于 1994 年提出來的。其對構建的 MNIST手寫字符數據集進行分類。LeNet 的提出確立了 CNN 的基本網絡架構。如下圖所示,Le Net 通過輸入32 ×32 字符矩陣經過卷積層、下采樣層、全連接層進行圖像的分類識別。但因為當時硬件技術的局限性和訓練數據的不豐富性,Le Net 模型的運算效果并不是特別突出,但此特征網絡的提出,為后續 Alex Net 的出現提供了重要的參考。

a2548bce-fc14-11ec-ba43-dac502259ad0.png

2 Alex Net

Alex Net的出現,標志著深度卷積神經網絡開啟了創新的新時代。之前由于硬件技術的局限性,CNN的學習能力、圖像分類能力有限,而在 2012 年提出的卷積神經網絡 Alex Net 采用了兩個 GPU(NVIDIA GTX 580)來訓練模型,然后將兩個 GPU 上的特征圖進行合并,采用的數據集是 Image Net(1500 多萬個標記的圖像,2.2萬個類別),并在2012 ILSVRC大賽以優異的性能在計算機視覺領域展現了自己的實力。如圖下圖所示,Alex Net 的網絡結構包括 5 層卷積、3 層池化和 3 層全連接,特征提取能力得到了提高,對大規模的數據集有更好的擬合能力。并且,在訓練階段,通過在模型隨機的添加幾個轉換單元來確保網絡具有較好的魯棒性。其結構創新的要點為:

(1)使用 Re LU 作為非線性激活函數,減少梯度消失現象,提高收斂率,減少訓練時間。

(2)使用大尺寸卷積核(5×5和11×11),提高網絡感受野。 (3)加入 Drop Out 層抑制過擬合。 (4)使用數據增強技術,對圖像進行訓練時,隨機的添加平移縮放、裁剪旋轉、翻轉或增減亮度等操作,產生一系列和輸入圖像相似但又不相同的數據,從而擴充了訓練的數據集。

a29573b4-fc14-11ec-ba43-dac502259ad0.png

3 VGG

VGG(Visual Geometry Group)多層網絡模型,比 Alex Net 和 Zef Net 的深度多了 19 層,驗證了在網絡結構上增加深度可以直接影響模型性能。VGG 有兩種結構,分為 VGG16 和 VGG19,這二者的區別只在于網路深度不同。VGG 的設計思想是增加網絡深度,改用小尺寸的卷積核。如下圖所示,具體操作為:采用 3 個3×3 卷積核來替換 Alex Net 中的 7×7 卷積核,采用 2 個3×3 卷積核替換5×5卷積核,這樣的設計可以在保證具有相同感受野的前提下,增加網絡深度,提升模型效果,且改用小的3×3 Filters 可減少模型參數量和運算量,可以更好地保留圖像特征信息。具體的改進優點總結為以下幾點:

(1)采用3×3 小濾波器替換大尺寸卷積核

(2)替換卷積核后,卷積層的感受野相同

(3)每層卷積操作后通過 Re LU 激活函數和批處理梯度下降訓練

(4)驗證了增加網絡深度,可以提升模型性能 雖然,VGG 在 2014 年因其更深的網絡結構和計算低復雜度的優勢,使其在圖像分類和定位問題上取得了很好地成績,但它使用了 1.4 億個參數,計算量很大,這是它的不足之處。

a2b9b706-fc14-11ec-ba43-dac502259ad0.png

4 Goog Le Net

Goog Le Net是由 Google 提出的,獲得了 Image Net 大賽冠軍。其架構設計的核心是在保證高水準的精確性 Inception 的目標前提下,降低模型的計算成本。與 VGG 相比,Goog Le Net 是一個網絡深度為 22 層的卷積神經網絡,它不以傳統 CNN 卷積層的串聯堆疊為架構基礎,而是創新的提出了 Inception 結構,用NIN(Networkin-Network)替換普通卷積層。如下圖所示,該結構包含了 5×5 、 3×3 、1×1 濾波器,以便于在不同空間分辨率范圍內捕捉通道信息和空間特征,添加一個1×1濾波器,作為 Bottle Neck ,來提高網絡的效率,提升模型學習特征的能力。使用平均池化層代替全連接層,將 7×7×1024 的體積降到了 1×1×1024 ,減少了大量的參數。此外,Goog Le Net 還提出了輔助分類器 Soft Max,以加快收斂速度。但 Goog Le Net 也有短板,其表征堵塞會減少下一層的特征空間,反過來又可能會丟失有用的特征。

a2e83680-fc14-11ec-ba43-dac502259ad0.png

5 Res Net

Res Net(Residual Network)殘差網絡是 Kaiming He提出來的,并在 2015 ILSVRC 大賽以 3.57%的錯誤率獲得了冠軍。在之前的網絡中,當模型深度不夠,其網絡識別能力不強,但當網絡堆疊(Plain Network)很深的時候,網絡梯度消失和梯度彌散現象明顯,導致模型的運算效果卻不升反降。因此,鑒于此深層網絡的退化問題,Res Net 設計了一個不存在梯度消失問題的超深度網絡。Res Net 根據層數的不同,從 18 層到 1202 層,有多種類型。以 Res Net50 為例,它由 49 個卷積層和 1 個全連接層組成,如下圖所示。這種簡單的加法并不會給網絡增加額外的參數和計算量,同時卻可以大大增加模型的訓練速度、提高訓練效果,并且當模型的層數加深時,這個簡單的結構能夠很好的解決退化問題。Res Net 提出了短徑連接,當網絡性能已達到最優,繼續加深網絡,殘差映射將被設置為 0,只剩下恒等映射,加速網絡收斂,這樣就可以使得網絡一直處于最優狀態了,網絡的性能也就不會隨著深度增加而降低了。

a319b21e-fc14-11ec-ba43-dac502259ad0.png

審核編輯 :李倩

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。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問題,請聯系本站處理。 舉報投訴
  • 神經網絡
    +關注

    關注

    42

    文章

    4776

    瀏覽量

    100935
  • 圖像分類
    +關注

    關注

    0

    文章

    90

    瀏覽量

    11942
  • 深度學習
    +關注

    關注

    73

    文章

    5509

    瀏覽量

    121324

原文標題:圖像分類模型的發展

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 0人收藏

    評論

    相關推薦

    cnn常用的幾個模型有哪些

    CNN(卷積神經網絡)是一種深度學習模型,廣泛應用于圖像識別、自然語言處理等領域。以下是一些常用的CNN模型: LeNet-5:LeNet-5是最早的卷積神經網絡之一,由Yann LeCun等人于
    的頭像 發表于 07-11 14:58 ?944次閱讀

    圖像分割與語義分割中的CNN模型綜述

    圖像分割與語義分割是計算機視覺領域的重要任務,旨在將圖像劃分為多個具有特定語義含義的區域或對象。卷積神經網絡(CNN)作為深度學習的一種核心模型,在圖像分割與語義分割中發揮著至關重要的作用。本文將從CNN模型的基本原理、在圖像分割與語義分割中的應用、以及具體的模型架構和調
    的頭像 發表于 07-09 11:51 ?1039次閱讀

    CNN與RNN的關系?

    在深度學習的廣闊領域中,卷積神經網絡(CNN)和循環神經網絡(RNN)是兩種極為重要且各具特色的神經網絡模型。它們各自在圖像處理、自然語言處理等領域展現出卓越的性能。本文將從概念、原理、應用場景及代碼示例等方面詳細探討CNN與RNN的關系,旨在深入理解這兩種網絡模型及其在
    的頭像 發表于 07-08 16:56 ?831次閱讀

    CNN在多個領域中的應用

    ,通過多層次的非線性變換,能夠捕捉到數據中的隱藏特征;而卷積神經網絡(CNN),作為神經網絡的一種特殊形式,更是在圖像識別、視頻處理等領域展現出了卓越的性能。本文旨在深入探究深度學習、神經網絡與卷積神經網絡的基本原理、結構特點及其在多個領域中的廣泛應用。
    的頭像 發表于 07-08 10:44 ?2039次閱讀

    CNN的定義和優勢

    CNN是模型還是算法的問題,實際上它兼具了兩者的特性,但更側重于作為一種模型存在。本文將從CNN的定義、結構、原理、應用等多個方面進行深入探討,旨在全面解析CNN的本質及其在計算機視覺
    的頭像 發表于 07-05 17:37 ?4340次閱讀

    如何利用CNN實現圖像識別

    卷積神經網絡(CNN)是深度學習領域中一種特別適用于圖像識別任務的神經網絡結構。它通過模擬人類視覺系統的處理方式,利用卷積、池化等操作,自動提取圖像中的特征,進而實現高效的圖像識別。本文將從CNN的基本原理、構建過程、訓練策略以
    的頭像 發表于 07-03 16:16 ?1458次閱讀

    NLP模型中RNN與CNN的選擇

    在自然語言處理(NLP)領域,循環神經網絡(RNN)與卷積神經網絡(CNN)是兩種極為重要且廣泛應用的網絡結構。它們各自具有獨特的優勢,適用于處理不同類型的NLP任務。本文旨在深入探討RNN與CNN
    的頭像 發表于 07-03 15:59 ?570次閱讀

    卷積神經網絡的基本結構和工作原理

    卷積神經網絡(Convolutional Neural Networks,簡稱CNN)是一種深度學習模型,廣泛應用于圖像識別、視頻分析、自然語言處理等領域。本文將詳細介紹卷積神經網絡的基本結構
    的頭像 發表于 07-03 09:38 ?757次閱讀

    cnn卷積神經網絡分類有哪些

    卷積神經網絡(CNN)是一種深度學習模型,廣泛應用于圖像分類、目標檢測、語義分割等領域。本文將詳細介紹CNN在分類任務中的應用,包括基本結構、關鍵技術、常見網絡架構以及實際應用案例。 引言 1.1
    的頭像 發表于 07-03 09:28 ?666次閱讀

    cnn卷積神經網絡三大特點是什么

    卷積神經網絡(Convolutional Neural Networks,簡稱CNN)是一種深度學習模型,廣泛應用于圖像識別、視頻分析、自然語言處理等領域。CNN具有以下三大特點: 局部連接
    的頭像 發表于 07-03 09:26 ?1438次閱讀

    卷積神經網絡的基本結構和訓練過程

    卷積神經網絡(Convolutional Neural Networks,CNN)是一種在圖像識別、視頻處理、自然語言處理等多個領域廣泛應用的深度學習算法。其獨特的網絡結構和算法設計,使得CNN
    的頭像 發表于 07-02 18:27 ?965次閱讀

    CNN模型的基本原理、結構、訓練過程及應用領域

    CNN模型的基本原理、結構、訓練過程以及應用領域。 卷積神經網絡的基本原理 1.1 卷積運算 卷積運算是CNN模型的核心,它是一種數學運算
    的頭像 發表于 07-02 15:26 ?3894次閱讀

    卷積神經網絡cnn模型有哪些

    卷積神經網絡(Convolutional Neural Networks,簡稱CNN)是一種深度學習模型,廣泛應用于圖像識別、視頻分析、自然語言處理等領域。 CNN的基本概念 1.1 卷積層
    的頭像 發表于 07-02 15:24 ?761次閱讀

    深度神經網絡模型cnn的基本概念、結構及原理

    ,其核心是構建具有多層結構的神經網絡模型,以實現對復雜數據的高效表示和處理。在眾多深度學習模型中,卷積神經網絡(CNN)因其在圖像識別等領域的卓越性能而備受關注。CNN通過引入卷積層和池化層,有效地捕捉了圖像的局部特征和空間
    的頭像 發表于 07-02 10:11 ?9821次閱讀

    基于Python和深度學習的CNN原理詳解

    卷積神經網絡 (CNN) 由各種類型的層組成,這些層協同工作以從輸入數據中學習分層表示。每個層在整體架構中都發揮著獨特的作用。
    的頭像 發表于 04-06 05:51 ?2205次閱讀
    基于Python和深度學習的<b class='flag-5'>CNN</b>原理詳解
    主站蜘蛛池模板: 秋霞网在线伦理影片| 果冻传媒mv国产陈若瑶主演| 99久久亚洲综合精品| 国产成人小视频| 老太婆性BBWBBW| 亚洲 综合 自拍 精品 在线| gogo免费在线观看| 久久久久伊人| 亚洲AV精品无码喷水直播间| BLACKED太粗太长| 姐姐不~不可以动漫在线观看| 飘雪在线观看免费完整版| 亚洲中文字幕在线第六区| 俄罗斯女人与马Z00Z视频| 两个奶头被吃得又翘又痛| 亚洲第一天堂无码专区| 俄罗斯少女人体| 男生射女生| 真人裸交有声性动态图| 国产小视频国产精品| 日日干夜夜爽| www.青青草| 伦理片免费秋霞e| 一级特黄视频| 九九热在线视频精品店 | 扒开老师大腿猛进AAA片邪恶| 精品国产麻豆AV无码| 午夜影院视费x看| 成人午夜剧场| 全彩无翼污之邪恶女教师| 99热这里只有精品视频2| 麻豆久久国产亚洲精品超碰热| 夜夜艹日日干| 久久婷婷丁香五月色综合啪免费| 亚洲一区高清| 久久久国产精品免费A片蜜臀| 亚洲精品久久久久AV无码| 狠很橹快播| 一个人HD在线观看免费高清视频| 姐姐不~不可以动漫在线观看| 亚洲欧洲免费三级网站|

    電子發燒友

    中國電子工程師最喜歡的網站

    • 2931785位工程師會員交流學習
    • 獲取您個性化的科技前沿技術信息
    • 參加活動獲取豐厚的禮品