机器学习课程-温州大学-07深度学习-卷积神经网络

### 《机器学习课程-温州大学-07深度学习-卷积神经网络》总结 本文档介绍了卷积神经网络（CNN）的核心内容及其在计算机视觉中的应用，以下是总结： --- #### 1. **计算机视觉概述** - **图像处理流程**：包括图像获取（二维图像、三维图组、图像序列等）、预处理（如二次采样、平滑、去噪）、特征提取（边缘、斑点、纹理等）、检测/分割（提取目标区域）和高级处理（分类、分割等）。 - **应用领域**：图像分类、目标检测、图像分割、OCR文字识别、图像滤波与降噪、风格迁移、三维重建等。 --- #### 2. **卷积神经网络概述** - **深度学习定义**：深度学习 = 表示学习 + 淺层学习。CNN通过多层结构学习复杂特征。 - **特征提取机制**： - 浅层：提取简单特征，如边缘、角点、纹理、几何形状。 - 深层：提取复杂抽象特征，如完整对象（人脸、狗、键盘等）。 - **网络结构**：包含输入层、多个隐藏层和输出层，前几层通常检测边缘，后层检测完整对象。 --- #### 3. **卷积神经网络计算** - **卷积步长（s）**：控制卷积操作的步长，影响输出图像的大小。 - **边缘检测示例**：通过卷积操作（如高斯滤波器）计算图像边缘的强度。 --- #### 4. **卷积神经网络案例** - **案例结构**： - 输入层：39×39×3。 - CONV1：3×3滤波器，步长为1，输出10个特征图，尺寸为37×37×10。 - CONV2：5×5滤波器，步长为2，输出20个特征图，尺寸为17×17×20。 - CONV3：5×5滤波器，步长为2，输出40个特征图，尺寸为7×7×40。 - 全连接层（FC）：1960维特征向量。 --- #### 总结 卷积神经网络通过多层结构提取从简单到复杂的特征，广泛应用于计算机视觉领域。文档通过案例和计算示例详细说明了CNN的工作原理及其在图像处理中的实际应用。