请选择 进入手机版 | 继续访问电脑版
 找回密码
 立即注册
搜索

卷积神经网络(CNN):如何高效的识别图像?


在神经网络的基础上,卷积神经网络(CNN)是如何完成图像识别任务的?本文介绍了其相关基本原理,一起来看看吧。



上文介绍了神经网络的基础概念,今天我们在神经网络的基础上,看看卷积神经网络(CNN)是如何完成图像识别任务的。

一、图像识别的痛点问题

在CNN出现之前,图像识别有两个大难题:
    图像需要处理的数据量太大:图片是由像素构成的,每个像素又由颜色(R、G、B三个数值)构成,用720p的手机摄像头随便拍张照片,就是1280*720*3=276.48万个参数,计算量无疑是巨大的。图片内容多变,导致准确率不高:如果对同一物体做翻转、位置变换等处理,使物体以不同的姿态显示在图片中,虽然物体本身并没有太大变化,但却大大提升了图片识别的难度。

而CNN可以有效的解决这两个问题,它不仅可以大幅减少参数数量,降低复杂度;还可以使用类似视觉处理的方式保留图像特征,即使图像翻转、移动,也可以进行有效的识别。

二、人类的视觉原理

要理解CNN的原理,需要先了解人类的视觉原理。

人类判断物体的大致过程:眼睛看到物体(瞳孔摄入像素),然后发现物体的边缘和方向(初步处理),接着判断物体的形状(抽象)、最后根据形状判定是什么物体(进一步抽象)。

我们可以发现,上述过程其实就是一个神经网络,低层级负责识别图像基础特征,多个基础特征整合后变成上一层的特征,逐层处理,最终在顶层判断出是什么物体。

这就是CNN的基础思路。

三、CNN的基本原理

CNN由卷积层、池化层、全连接层三部分构成,它们各自的作用如下:
    卷积层(Convolutional Layer):卷积层负责提取图像中的局部特征。池化层(Pooling Layer):池化层负责大幅降低参数量级,在保留重要特征信息的同时,降低计算复杂度。全连接层(Fully Connected Layer):全连接层类似传统神经网络的作用,根据卷积层和池化层处理过的数据,计算出最终的结果。

我们先来看看卷积层,卷积层提取局部特征的过程,和人类视觉的提取特征类似,如下图所示:



图中的黄色部分是一个滤波器(Filter),我们称它为“卷积核”,它是一个小的矩阵。

卷积核通过滑动窗口的方式在输入数据上进行卷积操作,卷积核的每个元素与输入数据对应位置的元素相乘,然后将所有乘积结果相加,得到卷积操作的输出结果。

不同的卷积核可以捕捉到不同的特征,例如边缘、纹理、形状等。

在训练过程中,卷积神经网络会学习到最优的卷积核参数,使得网络能更好的提取输入数据的局部特征。

因为卷积核比较小,即便我们做完了卷积处理,图像依然很大,这时候需要池化层来对数据进行降维操作:



池化层通过对输入数据的局部区域进行汇聚操作,例如最大池化或平均池化,来减少特征图的大小。

比如原图是20*20,我们用一个10*10的采样窗口对原图进行下采样,最终可以将原图下采样为一个2*2的小图。

这个操作其实就是降低图片的像素,从高清图变成模糊图,这样既保留了主要特征信息,还有效的过滤掉了图片中的干扰信息,减少了向下一阶段传递的数据量。

池化层可以更有效的降低数据维度,大大减少参数和运算量,同时还可以避免过拟合现象的发生。

卷积层和池化层提取出的特征,输入到全连接层进行训练和学习,由于大大减少了参数量,丢弃了干扰特征,使得训练成本和复杂度大大降低。

四、应用场景

CNN在计算机视觉领域有广泛的应用,以下是一些CNN的应用场景:
    图像分类:可以将图像分为不同的类别,如识别手写数字、识别动物、识别物体等。目标检测:可以在图像中定位和识别多个目标。这在自动驾驶、视频监控、人脸识别等领域有重要应用。图像分割:可以用于图像分割,即将图像中的每个像素分配到不同的类别。这在医学图像分析、自然语言处理等领域有广泛应用。图像生成:可以用于图像生成,例如生成逼真的图像、图像风格转换、图像超分辨率等。视频分析:可以用于视频分析,例如动作识别、行为识别、视频内容理解等。医学图像分析:可以用于医学图像分析,例如病理图像识别、肺部结节检测、疾病预测等。


五、优缺点

CNN的优点:
    局部感知性:CNN通过卷积操作可以捕捉输入数据的局部空间关系,能够有效地提取图像、语音等数据中的局部特征。参数共享:CNN中的卷积核在整个输入数据上共享参数,这样可以大大减少网络的参数数量,降低过拟合的风险,并提高模型的训练效率。平移不变性:CNN具有平移不变性,即对输入数据的平移操作不会改变网络的输出。这使得CNN在处理图像等数据时具有一定的鲁棒性。多层次的特征学习:CNN通过堆叠多个卷积层和池化层,可以逐层地学习更加抽象和高级的特征表示,从而提高模型的表达能力。并行计算:CNN中的卷积操作可以并行计算,适合在GPU等硬件上进行高效的计算,加速模型的训练和推理过程。

CNN的缺点:
    数据需求量大:CNN通常需要大量的标注数据来训练模型,特别是在复杂任务和大规模数据集上,需要更多的数据来获得良好的性能。计算资源要求高:由于CNN模型的复杂性,训练和推理过程需要大量的计算资源,特别是在深层网络和大规模数据上。可解释性较差:由于CNN的复杂结构和参数共享机制,模型的决策过程不太容易解释和理解,这在一些应用场景中可能会受到限制。对输入数据的变形敏感:CNN对输入数据的变形、旋转等变化较为敏感,这可能导致模型在处理具有变形或扭曲的图像时性能下降。


六、总结

本文介绍了CNN的基本原理和应用场景,CNN非常适合处理图像类任务,在很多领域都有广泛的应用。

下篇文章,我们会介绍循环神经网络(RNN),还会简单介绍它的优化算法,敬请期待。

本文由 @AI小当家 原创发布于人人都是产品经理,未经许可,禁止转载

题图来自 Unsplash,基于 CC0 协议

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
回复

使用道具 举报

大神点评3

xiaoli187 2024-5-16 07:02:13 显示全部楼层
元芳你怎么看?
回复

使用道具 举报

求沙发
回复

使用道具 举报

哈哈哈,楼主求带
回复

使用道具 举报

高级模式
B Color Image Link Quote Code Smilies