MindMap Gallery red neuronal convolucional

red neuronal convolucional

La arquitectura detallada de la red neuronal convolucional, el cuello de botella de la red totalmente conectada, es que a medida que el tamaño de los datos de la imagen aumenta, la red de capa oculta será muy complicada, ¡ven y echa un vistazo!

Edited at 2023-07-27 22:50:42

e7qw4qya@bccto.cc

red neuronal convolucional

e7qw4qya@bccto.cc

Recommended to you
Outline

procesamiento de imágenes digitales por visión por computadora
- 24
e7qw4qya@bccto.cc
red neuronal completamente conectada
- 11
e7qw4qya@bccto.cc
Redes neuronales y redes neuronales convolucionales de aprendizaje profundo
- 30
e7qw4qya@bccto.cc
mecanismo de atención
- 12
PlotWizard
Generar modelo
- 51
PlotWizard
Convolución, eliminación de ruido, extracción de bordes.
- 10
PlotWizard
Análisis de red clásico
- 11
PlotWizard
Visión por computadora y aprendizaje profundo
- 19
PlotWizard

red neuronal convolucional

Cuello de botella en la red totalmente conectada

A medida que aumenta el tamaño de los datos de la imagen, la red de la capa oculta se volverá muy compleja.

red neuronal convolucional

estructura de capas

capa de convolución

Núcleo de convolución

Ahora para el grupo del núcleo de convolución.

wxya

La profundidad del grupo de mapas de respuesta de características es igual al número de núcleos de convolución

Diferentes mapas de respuesta de características reflejan el efecto de respuesta de la imagen de entrada a diferentes núcleos de convolución

Los valores en diferentes posiciones en el mismo mapa de respuesta de características representan los resultados de respuesta de diferentes posiciones en la imagen de entrada al mismo núcleo de convolución.

Tamaño del paso de convolución

Realizar operaciones de convolución a intervalos específicos.

relleno de borde

efecto

Mantenga los tamaños de entrada y salida consistentes

El más común es el relleno cero.

capa de activación

capa de agrupación

Realice cada mapa de respuesta de características de forma independiente, reduzca el ancho y la altura del núcleo de cada mapa en el grupo de mapas, reduzca la cantidad de parámetros de las capas convolucionales posteriores, aumente el campo receptivo y, por lo tanto, controle el sobreajuste.

funcionar

Agrupar un área determinada del mapa de respuesta de características significa especificar un valor en el área para representar el área completa.

Tipos comunes

agrupación máxima

Equivalente a la supresión no maximizadora

agrupación promedio

hiperparámetros

ventana de agrupación

Tamaño del paso de agrupación

Capa completamente conectada

función de pérdida

pérdida de entropía cruzada

mejoramiento

SGD

SGD con impulso

ADÁN

mejora de la imagen

pregunta

El sobreajuste ocurre porque hay muy pocas muestras de aprendizaje, lo que resulta en la incapacidad de entrenar un modelo que pueda generalizarse a nuevos datos.

Genere más datos de entrenamiento a partir de muestras de entrenamiento existentes aumentando las muestras con una variedad de transformaciones aleatorias que produzcan imágenes creíbles.

Objetivo

Permitir que el modelo observe más contenido de los datos, teniendo así mejores capacidades de generalización.

mejora de la muestra

Escalado y recorte aleatorios

Etapa de formación: deducir aleatoriamente en diferentes escalas y diferentes áreas

Fase de prueba: Retirar según un método predefinido

tramado de color

Traducción, rotación, distorsión, recorte, etc.