Сверточные нейронные сети

Август 12, 2022

Главная
Информатика
Сверточные нейронные сети

Содержание

2. Применение сверточных искусственных нейронных сетей в области компьютерного зрения Классификация (Classification) 2. Детектирование объектов (Object detection)
3. Фильтр (3х3), stride =1 Слой 1 (7х7) Слой 2 (5х5) Операция свертки в CNN Stride –
4. Операция свертки в CNN Stride = (1,1)
5. Многоканальная свертка в CNN Фильтр (N, N, depth)
6. Многоканальная свертка в CNN Карта признаков (Feature Map) Обычно применяют N фильтров, что дает N карт
7. Роль фильтров в CNN Выделение характерных «паттернов» (прямых и изогнутых линий и т.п.) на изображении. фильтр
8. Сверточные нейронные сети как прототип зрительной коры головного мозга https://youtu.be/Cw5PKV9Rj3o https://youtu.be/IOHayh06LJ4 Хьюбел и Визель в 1962
9. Суб-дискретизация (Pooling) 2) Average Pooling Max-Pooling 2x2 Avg-Pool
10. Классификация в CNN при помощи полносвязных слоев нейронов 5 классов
11. Типовая сверточная нейронная сеть для классификации объектов на изображении W x H x 3 W1 x
12. Меньше обучаемых параметров между слоями Извлекая признаки из изображения, учитываются не только отдельные пиксели, но и
13. Сверточная нейронная сеть LeNET-5 для задачи распознания рукописных цифр
15. Скачать презентацию

Слайд 2

Применение сверточных искусственных нейронных сетей в области компьютерного зрения
Классификация
(Classification)
2. Детектирование

объектов
(Object detection)

3. Семантическая сегментация
(Semantic Segmentation)

Cat - ?

Слайд 3

Фильтр (3х3), stride =1
Слой 1 (7х7)
Слой 2 (5х5)
Операция свертки в CNN
Stride

– шаг движения фильтра (kernel)

b – смещение (bias), σ – функция активации

Слайд 4

Операция свертки в CNN
Stride = (1,1)

Слайд 5

Многоканальная свертка в CNN
Фильтр (N, N, depth)

Слайд 6

Многоканальная свертка в CNN
Карта признаков (Feature Map)
Обычно применяют N фильтров, что

дает N карт признаков, хранящих в себе какие-то особенности изображения.

Слайд 7

Роль фильтров в CNN
Выделение характерных «паттернов» (прямых и изогнутых линий и

т.п.) на изображении.

фильтр

Слайд 8

Сверточные нейронные сети как прототип зрительной коры головного мозга
https://youtu.be/Cw5PKV9Rj3o
https://youtu.be/IOHayh06LJ4
Хьюбел и

Визель в 1962 году, в ходе эксперимента показали, что отдельные участки зрительной коры реагируют (или активируются) только при визуальном восприятии границ определенной ориентации. Например, некоторые нейроны активировались, когда воспринимали вертикальные границы, а некоторые — горизонтальные или диагональные. Хьюбел и Визель выяснили, что все эти нейроны сосредоточены в виде стержневой архитектуры и вместе формируют визуальное восприятие.

Слайд 9

Суб-дискретизация (Pooling)
2) Average Pooling
Max-Pooling
2x2 Avg-Pool

Слайд 10

Классификация в CNN при помощи полносвязных слоев нейронов
5 классов

Слайд 11

Типовая сверточная нейронная сеть для классификации объектов на изображении
W x H

x 3

W1 x H1 x N1

N1 фильтров

W1/2 x H1/2 x N1

N2 фильтров

W2 x H2 x N2

W2/2 x H2/2 x N2

Слайд 12

Меньше обучаемых параметров между слоями
Извлекая признаки из изображения, учитываются не только

отдельные пиксели, но и окружающие пиксели (выявление неких паттернов на изображении)

Преимущества сверточных нейронных сетей (CNN) над полносвязанными нейронными сетями (FCNN):

Слайд 13

Сверточная нейронная сеть LeNET-5 для задачи распознания рукописных цифр