마인드 맵 갤러리 컨벌루션 신경망
완전 연결 네트워크의 병목 현상인 컨벌루션 신경망의 세부 아키텍처는 이미지의 데이터 크기가 커질수록 히든 레이어 네트워크가 매우 복잡해진다는 것입니다. 와서 살펴보세요!
컴퓨터 비전 디지털 이미지 처리
완전히 연결된 신경망
신경망과 딥러닝 컨볼루셔널 신경망
주의 메커니즘
모델 생성
컨벌루션, 노이즈 제거, 에지 추출
클래식 네트워크 분석
컴퓨터 비전과 딥러닝
컨벌루션 신경망
완전히 연결된 네트워크 병목 현상
이미지의 데이터 크기가 커질수록 은닉층 네트워크는 매우 복잡해집니다.
레이어 구조
컨볼루션 레이어
컨볼루션 커널
이제 컨볼루션 커널 그룹의 경우
wxya
특징 응답 맵 그룹의 깊이는 컨볼루션 커널 수와 같습니다.
다양한 기능 응답 맵은 다양한 컨볼루션 커널에 대한 입력 이미지의 응답 효과를 반영합니다.
동일한 특징 응답 맵의 서로 다른 위치에 있는 값은 동일한 컨볼루션 커널에 대한 입력 이미지의 서로 다른 위치의 응답 결과를 나타냅니다.
컨볼루션 단계 크기
지정된 간격으로 컨볼루션 작업 수행
테두리 패딩
효과
입력 및 출력 크기를 일관되게 유지
가장 일반적인 것은 제로 패딩입니다.
활성화층
풀링 레이어
각 기능 응답 맵을 독립적으로 수행하고, 맵 그룹에 있는 각 맵의 너비 커널 높이를 줄이고, 후속 컨벌루션 레이어의 매개변수 수를 줄이고, 수용 필드를 늘려 과적합을 제어합니다.
작동하다
특성 응답 맵의 특정 영역을 풀링한다는 것은 전체 영역을 나타내기 위해 해당 영역에 값을 지정하는 것을 의미합니다.
일반적인 유형
최대 풀링
비최대화 억제와 동일
평균 풀링
초매개변수
풀링 창
풀링 단계 크기
완전 연결 레이어
손실 함수
교차 엔트로피 손실
최적화
SGD
모멘텀이 있는 SGD
아담
이미지 향상
질문
과적합은 학습 샘플이 너무 적어서 새로운 데이터로 일반화할 수 있는 모델을 훈련할 수 없기 때문에 발생합니다.
신뢰할 수 있는 이미지를 생성하는 다양한 무작위 변환으로 샘플을 강화하여 기존 훈련 샘플에서 더 많은 훈련 데이터를 생성합니다.
목적
모델이 데이터의 더 많은 내용을 관찰할 수 있도록 하여 더 나은 일반화 기능을 갖습니다.
샘플 강화
무작위 크기 조정 및 컷아웃
훈련 단계: 다양한 규모와 영역에서 무작위로 공제
테스트 단계: 사전 정의된 방법에 따라 철회
색상 디더링
번역, 회전, 왜곡, 자르기 등