4.1卷积神经网络
觉得有用的话,欢迎一起讨论相互学习~
1.2边缘检测示例
- 边缘检测可以视为横向边缘检测和纵向边缘检测如下图所示:
- 边缘检测的原理是通过一个特定构造的卷积核对原始图片进行卷积操作后得到一个特征图，这个特征图恰好能反应图像的边缘。
- 例如：假设下图中越大的像素值对应的颜色越浅而越小的像素值对应的颜色越深。则一张如左图所示的(6*6)的单通道图片通过一个(3*3)的卷积核进行卷积操作后得到一个(4*4)的特征图，并且原始图像中的垂直边缘部分恰好是特征图中的空白区域。这是利用卷积操作进行边缘检测的一个简单示例。
- 在这张图中我们发现特征识别的边缘太粗太明显，这是因为使用的原始图片是一个(6*6)的小图片。如果使用此方法对一个(1000*1000)的图片进行操作，则得到的边缘效果会细致很多。
1.3更多边缘检测内容
深度学习去理解边缘检测实际上是通过把卷积核理解为需要求解的未知的参数，通过反向传播算法不断调整卷积核的数值，以达到目标效果
- 下图是上节中将一个(6*6)的图片应用垂直边缘检测卷积核卷积后生成特征图，原始图片由亮到暗，得到的特征图能很好的表示原始图中由亮到暗的边缘。
- 然而当我们把原始图片进行水平翻转后，如果我们使用原来的卷积核进行卷积，得到的特征图的中间部分被翻转成了-30。表明这是由暗到亮的过渡，而不是由由亮到暗的过渡。如果你在并不在乎明暗的变化方向，可以直接将得到的特征图进行取绝对值的操作。也会得到上图的结果。
垂直与水平边缘检测滤波器
示例
其他边缘检测滤波器
