李宏毅机器学习-课件_11-CNN.pdfVIP

下载本文档

5
0
约2.69万字
约 49页
2023-10-24 发布于北京
举报
版权申诉

李宏毅机器学习-课件_11-CNN.pdf

此“教育”领域文档为创作者个人分享资料，不作为权威性指导和指引，仅供参考

1、有哪些信誉好的足球投注网站（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

本篇文章讨论了卷积神经网络（CNN）在图像处理中的应用，包括其在一些特定模式下的表现和优势。CNN能够自动发现和提取图像中隐藏的特征，这些特征通常比原始图像中的所有特征都小得多。通过考虑图像中的“小区域”，我们可以使用更简单的参数来简化模型。此外，本文还提出了一个关于“中等左端的“贝克”检测器”的实验，它可以帮助我们更有效地利用有限的空间进行图像分割。最后，本文讨论了CNN的全连接层、多层和预训练网络的特点，并提供了基于这些特点的不同模型的实例。

Convolutional Neural Network Hung-yi Lee Can the network be simplified by considering the properties of images? Why CNN for Image • Some patterns are much smaller than the whole image A neuron does not have to see the whole image to discover the pattern. Connecting to small region with less parameters “beak” detector Why CNN for Image •The same patterns appear in different regions. “upper-left beak” detector Do almost the same thing They can use the same set of parameters. “middle beak” detector Why CNN for Image • Subsampling the pixels will not change the object bird bird subsampling We can subsample the pixels to make image smaller Less parameters for the network to process the image The whole CNN cat dog …… Convolution Max Pooling Can repeat Fully Connected many times Feedforward network Convolution Max Pooling Flatten The whole CNN Property 1 ➢ Some patterns are much Convolution smaller than the whole image Property 2 Max Pooling ➢The same patterns appear in