4.1卷積神經網絡
覺得有用的話,歡迎一起討論相互學習~
1.2邊緣檢測示例
- 邊緣檢測可以視為橫向邊緣檢測和縱向邊緣檢測如下圖所示:
- 邊緣檢測的原理是通過一個特定構造的卷積核對原始圖片進行卷積操作后得到一個特征圖，這個特征圖恰好能反應圖像的邊緣。
- 例如：假設下圖中越大的像素值對應的顏色越淺而越小的像素值對應的顏色越深。則一張如左圖所示的\(6*6\)的單通道圖片通過一個\(3*3\)的卷積核進行卷積操作后得到一個\(4*4\)的特征圖，並且原始圖像中的垂直邊緣部分恰好是特征圖中的空白區域。這是利用卷積操作進行邊緣檢測的一個簡單示例。
- 在這張圖中我們發現特征識別的邊緣太粗太明顯，這是因為使用的原始圖片是一個\(6*6\)的小圖片。如果使用此方法對一個\(1000*1000\)的圖片進行操作，則得到的邊緣效果會細致很多。
1.3更多邊緣檢測內容
深度學習去理解邊緣檢測實際上是通過把卷積核理解為需要求解的未知的參數，通過反向傳播算法不斷調整卷積核的數值，以達到目標效果
- 下圖是上節中將一個\(6*6\)的圖片應用垂直邊緣檢測卷積核卷積后生成特征圖，原始圖片由亮到暗，得到的特征圖能很好的表示原始圖中由亮到暗的邊緣。
- 然而當我們把原始圖片進行水平翻轉后，如果我們使用原來的卷積核進行卷積，得到的特征圖的中間部分被翻轉成了-30。表明這是由暗到亮的過渡，而不是由由亮到暗的過渡。如果你在並不在乎明暗的變化方向，可以直接將得到的特征圖進行取絕對值的操作。也會得到上圖的結果。
垂直與水平邊緣檢測濾波器
示例
其他邊緣檢測濾波器
