日本熟妇浓毛,欧美国产精品一区,二区

CNN解決問題：

提取特征：卷積操作提取圖像特征，如邊緣、紋理等，保留圖像特征。
數(shù)據(jù)降維：池化操作大幅降低參數(shù)量級，實(shí)現(xiàn)數(shù)據(jù)降維，大大減少運(yùn)算量，避免過擬合。

二、人類的視覺原理

在我們了解 CNN 原理之前，先來看看人類的視覺原理是什么？

1981年諾貝爾醫(yī)學(xué)獎：

獲得者：David Hubel（大衛(wèi)·休伯爾）、Torsten Nils Wiesel（托斯坦·威澤爾）、Roger Sperry（羅杰·斯佩里）
主要貢獻(xiàn)：發(fā)現(xiàn)了視覺系統(tǒng)的信息處理，可視皮層是分級的。

人類視覺原理：

構(gòu)成部分：

基本原理：

使用一個過濾器（卷積核）來過濾圖像的各個小區(qū)域，從而得到這些小區(qū)域的特征值。

原始是20×20的，進(jìn)行下采樣，采樣為10×10，從而得到2×2大小的特征圖。

典型的 CNN 并非只是上面提到的3層結(jié)構(gòu)，而是多層結(jié)構(gòu)。

例如，LeNet-5被譽(yù)為是卷積神經(jīng)網(wǎng)絡(luò)的“Hello Word”。LeNet-5是圖靈獎獲得者Yann LeCun（楊立昆）在1998年提出的CNN算法，用來解決手寫識別的問題。

LeNet-5 的網(wǎng)絡(luò)結(jié)構(gòu)：

輸入層- 卷積層 – 池化層- 卷積層 – 池化層 – 卷積層 – 全連接層 – 輸出層

實(shí)際應(yīng)用：

圖像分類：可以節(jié)省大量的人工成本，將圖像進(jìn)行有效的分類，分類的準(zhǔn)確率可以達(dá)到 95%+。典型場景：圖像搜索。
目標(biāo)定位：可以在圖像中定位目標(biāo)，并確定目標(biāo)的位置及大小。典型場景：自動駕駛。
目標(biāo)分割：簡單理解就是一個像素級的分類。典型場景：視頻裁剪。
人臉識別：非常普及的應(yīng)用，戴口罩都可以識別。典型場景：身份認(rèn)證。