0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

浅析人工智能的卷积神经网络与图像处理

电子工程师 来源:eetrend 作者:demi 2019-11-02 11:23 次阅读

人工智能深度学习技术中,有一个很重要的概念就是卷积神经网络 CNN(Convolutional Neural Networks)。

卷积神经网络被广泛地运用到计算机视觉中,用于提取图像数据的特征,其中发挥关键作用的步骤就是卷积层中的卷积运算。

卷积到底是什么?深度学习中的卷积运算与传统的信号与系统中的卷积算子有什么不同?为什么卷积运算可以提取图像的特征呢?下3分钟带你读懂卷积运算与图像处理。

了解卷积运算

卷积神经网络中的核心即为 卷积运算,其相当于图像处理中的 滤波器运算。对于一个 m×n大小的卷积核:

卷积一词最开始出现在信号与系统中,是指两个原函数产生一个新的函数的一种算子。

卷积运算在运算过程可以概括为翻转、平移再加权求和三个步骤,其中的加权求和就是乘加操作。

另外,卷积运算还有一个重要的特性:空间域卷积=频域乘积,这一点可以解释为什么卷积运算可以自动地提取图像的特征。

在卷积神经网络中,对数字图像做卷积操作其实就是利用卷积核(黄底部分)在图像(绿底部分)上滑动,将图像上的像素灰度值与对应卷积核上的数值相乘,然后将所有相乘后的值相加作为此时的输出值(红底部分),并最终滑动遍历完整副图像的过程。

动图来源于stanford.edu, Feature extraction using convolution

仔细观察上述动图,图像中的卷积操作相比于信号与系统中的卷积少了点什么?

我们可以看到,图像中卷积的计算过程只有平移和乘加两个步骤,相对于信号与系统的卷积算子缺少了翻转。

那么,图像的卷积操作是否需要进行翻转呢?

事实上,深度学习中卷积核是无需进行翻转的,因为卷积核中的所有权重都是随机初始化,开始不是确定的。网络每次更新迭代都是为了寻找一个最合适的卷积核权重值,所以是否翻转也就无关紧要了。除此之外,图像处理中的卷积核一般是对称的,翻转也就显得不那么必要。

卷积神经网络被广泛运用到计算机视觉的最大一个原因,就是卷积层可以自动地提取图像特征。

提取图像特征

图像中的特征通常指代图像中物体的轮廓与纹理信息,而通常物体的细节(可以简单地理解为图像中像素点灰度值变换缓慢的地方)带来的信息量较少。我们通常所说的图像特征提取的过程是在保留图像轮廓和纹理的同时,去掉冗余信息的过程。

物体轮廓

物体纹理,图片来源The Berkeley Segmentation Dataset and Benchmark

那么如何区分图像的特征与图像的冗余信息量呢?

如下面这幅人物图像,如果我们不对原始图像做处理,很难将图像的特征与冗余信息量区分开来。

我们可以换一个角度,不从时空区域来区分,而是抓住图像细节和图像轮廓纹理的频率不一样这一特征,把一副图像放在频域中以区分图像的细节与图像的轮廓纹理。

我们将这幅人物图像(左)转换到频域中的该图像(右),离中心点越近的分量频率越低,离中心点越远的分量频率越高。

原图

频域图像,图片来源CMU, Computational Photography, Fall 2019

现在我们将用一个模板来分离高低频分量。

如左图所示的模板1中,其数值取值范围为0到1。模板中的点越黑其数值越接近于0,越白越接近于1.

将模板1与频域图像相乘后,就可以只保留高频部分去除离中心点较近的低频分量,再将图像转换回到空间域中,可以看到图像的高频分量(右)是轮廓和纹理特征。

模板1

高频分量,图片来源:CMU, Computational Photography, Fall 2019

同样的操作方式,将模板2与频域图像相乘,频域图中的低频分量可以被选取出来,再将低频分量转到空间域中,可以看到低频分量代表着细节特征。这时我们就可以成功地将图像的轮廓纹理细节信息从频率的角度分开来了。

模板2

低频分量,图片来源CMU, Computational Photography, Fall 2019

以上处理过程,实际就是在频域中将模板与频域图像相乘,以区分图像轮廓纹理与细节信息的过程。

而频域相乘就等于空间域卷积,这是刚才提及到的卷积的重要特性。那么上述在频域中的操作等同于空间中的图像与空间域中的模板做卷积,这样从频域的角度,就可以解释卷积操作能够提取图像特征的原因。

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 神经网络
    +关注

    关注

    42

    文章

    4771

    浏览量

    100742
  • 人工智能
    +关注

    关注

    1791

    文章

    47232

    浏览量

    238349
收藏 人收藏

    评论

    相关推荐

    卷积神经网络在自然语言处理中的应用

    自然语言处理人工智能领域的一个重要分支,它致力于使计算机能够理解、解释和生成人类语言。随着深度学习技术的发展,卷积神经网络(CNNs)作为一种强大的模型,在
    的头像 发表于 11-15 14:58 252次阅读

    卷积神经网络与传统神经网络的比较

    在深度学习领域,神经网络模型被广泛应用于各种任务,如图像识别、自然语言处理和游戏智能等。其中,卷积神经网
    的头像 发表于 11-15 14:53 392次阅读

    关于卷积神经网络,这些概念你厘清了么~

    随着人工智能(AI)技术的快速发展,AI可以越来越多地支持以前无法实现或者难以实现的应用。本文基于此解释了 卷积神经网络 (CNN)及其对人工智能和机器学习的意义。CNN是一种能够从
    发表于 10-24 13:56

    BP神经网络卷积神经网络的关系

    BP神经网络(Backpropagation Neural Network)和卷积神经网络(Convolutional Neural Network,简称CNN)是两种在人工智能和机器
    的头像 发表于 07-10 15:24 1465次阅读

    人工智能神经网络芯片的介绍

    人工智能神经网络芯片是一类专门为深度学习和神经网络算法设计的处理器。它们具有高性能、低功耗、可扩展等特点,广泛应用于图像识别、语音识别、自然
    的头像 发表于 07-04 09:33 753次阅读

    卷积神经网络的实现原理

    卷积神经网络(Convolutional Neural Networks,简称CNN)是一种深度学习模型,广泛应用于图像识别、视频分析、自然语言处理等领域。本文将详细介绍
    的头像 发表于 07-03 10:49 543次阅读

    神经网络人工智能的关系是什么

    神经网络人工智能的关系是密不可分的。神经网络人工智能的一种重要实现方式,而人工智能则是神经网络
    的头像 发表于 07-03 10:25 1102次阅读

    卷积神经网络训练的是什么

    卷积神经网络(Convolutional Neural Networks,简称CNN)是一种深度学习模型,广泛应用于图像识别、视频分析、自然语言处理等领域。本文将详细介绍
    的头像 发表于 07-03 09:15 405次阅读

    深度学习与卷积神经网络的应用

    随着人工智能技术的飞速发展,深度学习和卷积神经网络(Convolutional Neural Network, CNN)作为其中的重要分支,已经在多个领域取得了显著的应用成果。从图像
    的头像 发表于 07-02 18:19 896次阅读

    卷积神经网络的原理与实现

    1.卷积神经网络(Convolutional Neural Networks,简称CNN)是一种深度学习模型,广泛应用于图像识别、视频分析、自然语言处理等领域。
    的头像 发表于 07-02 16:47 568次阅读

    卷积神经网络的原理是什么

    卷积神经网络(Convolutional Neural Network,简称CNN)是一种深度学习模型,广泛应用于图像识别、语音识别、自然语言处理等领域。本文将详细介绍
    的头像 发表于 07-02 14:44 641次阅读

    卷积神经网络图像识别中的应用

    卷积神经网络(Convolutional Neural Networks, CNNs)是一种深度学习模型,广泛应用于图像识别、视频分析、自然语言处理等领域。 1.
    的头像 发表于 07-02 14:28 1099次阅读

    卷积神经网络和bp神经网络的区别

    化能力。随着深度学习技术的不断发展,神经网络已经成为人工智能领域的重要技术之一。卷积神经网络和BP神经
    的头像 发表于 07-02 14:24 3747次阅读

    卷积神经网络的基本结构

    随着大数据和计算机硬件技术的飞速发展,深度学习已成为人工智能领域的重要分支,而卷积神经网络(Convolutional Neural Network,简称CNN)作为深度学习的一种重要模型,已
    的头像 发表于 07-01 15:58 443次阅读

    详解深度学习、神经网络卷积神经网络的应用

    在如今的网络时代,错综复杂的大数据和网络环境,让传统信息处理理论、人工智能与人工神经网络都面临巨大的挑战。近些年,深度学习逐渐走进人们的视线
    的头像 发表于 01-11 10:51 2029次阅读
    详解深度学习、<b class='flag-5'>神经网络</b>与<b class='flag-5'>卷积</b><b class='flag-5'>神经网络</b>的应用