做窗帘的网站,专业的临沂网站优化,怎么申请自己的企业邮箱,烟台制作网站卷积神经网络基础知识
1.什么是filter 通常一个6x6的灰度图像#xff0c;构造一个3*3的矩阵#xff0c;在卷积神经网络中称之为filter,对#xff16;x6的图像进行卷积运算。
2.什么是padding 假设输出图像大小为nn与过滤器大小为ff#xff0c;输出图像大小则为(n−f1)∗(… 卷积神经网络基础知识
1.什么是filter 通常一个6x6的灰度图像构造一个3*3的矩阵在卷积神经网络中称之为filter,对x6的图像进行卷积运算。
2.什么是padding 假设输出图像大小为nn与过滤器大小为ff输出图像大小则为(n−f1)∗(n−f1)(n−f1)∗(n−f1)(n-f1)(n-f1)。 这样做卷积运算的缺点是卷积图像的大小会不断缩小另外图像的左上角的元素只被一个输出所使用所以在图像边缘的像素在输出中采用较少也就意味着你丢掉了很多图像边缘的信息为了解决这两个问题就引入了padding操作也就是在图像卷积操作之前沿着图像边缘用0进行图像填充。对于33的过滤器我们填充宽度为1时就可以保证输出图像和输入图像一样大。
padding的两种模式 Validno padding 输入图像nn,过滤器ff,输出图像大小为(n−f1)∗(n−f1) Same输出图像和输入图像一样大
3.卷积步长 卷积步长是指过滤器在图像上滑动的距离前两部分步长都默认为1
最大池化和平均池化 最大池化思想很简单把44的图像分割成4个不同的区域然后输出每个区域的最大值这就是最大池化所做的事情。其实这里我们选择了22的过滤器步长为2。在一幅真正的图像中提取最大值可能意味着提取了某些特定特征比如垂直边缘、一只眼睛等等。 平均池化和最大池化唯一的不同是它计算的是区域内的平均值而最大池化计算的是最大值。在日常应用使用最多的还是最大池化。 目标检测是一种应用广泛的计算机视觉技术能够对图片、视频中的目标进行分类和定位基于卷积神经网络的目标检测算法主要分为Two-stage和One-stage两种类型。 Two-stage算法会先生成一些候选框再对每个候选框进行分类和定位优化。虽然它们的准确率通常较高但需要更多时间和计算资源。而One-stage算法则能在特征解码时一并生成目标所属的种类和区域信息在执行速度上更具优势近年来已不断优化在检测精度比肩甚至超过了Two-stage算法。常见的Two-stage算法有RCNN系列如R-CNN、Fast-RCNN、Faster-RCN等常见的One-stage算法有YOLO系列如YOLOv1~v10和YOLOX等。 前言 本文目的是用尽量浅显易懂的语言让零基础小白能够理解什么是YOLO系列模型以及他们的设计思想和改进思路分别是什么。我不会把YOLO的论文给你用软件翻译一遍这样做毫无意义也不会使用太专业晦涩的名词和表达对于每一个新的概念都会解释得尽量通俗一些目的是使得你能像看故事一样学习YOLO模型我觉得这样的学习方式才是知乎博客的意义所在。
为了使本文尽量生动有趣我用葫芦娃作为例子展示YOLO的过程(真的是尽力了。。。)。
