CNN图像分类简介课件

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,ImageNet Classification with Deep ConvolutionalNeural Networks,ImageNet Classification with D,监督模式识别系统,图像特征,特征的好坏是整个系统的性能瓶颈,监督机器学习算法,分类或者预测,监督模式识别系统图像特征,Deep Learning=Learning Hierarchical Representations,Deep Learning=Learning Hiera,图像特征,Feature Engineering,（,HOG,SIFT,）,要求开发人员对要解决的问题有深入理解,取得好的效果往往要消耗开发团队大部分人力,Feature Learning,海量训练数据中学习有用特征,提升分类或预测性能,Feature Engineering or Feature Learning?,图像特征Feature Engineering（HOG,S,Hierarchical Representations,Hierarchical Representations,监督机器学习,数据,训练样本集有,m,个已标注样本,(x,1,y,1,),(x,2,y,2,),(x,m,y,m,),x,i,是第,i,个训练样本的特征，,y,i,是对应的期望值，作为监督信号。,监督机器学习数据,监督机器学习,监督机器学习,监督机器学习,不同学习方法之间的区别在于或者是模型不同，或者是代价函数不同，或者是优化方法不同。,监督机器学习不同学习方法之间的区别在于或者是模型不同，或者是,BP,神经网络模型,BP神经网络模型,BP,神经网络模型,前向传播,BP神经网络模型前向传播,卷积神经网络,局部连接,区别于,BP,网络的全连接,权值参数大大减少,权值共享,每个神经元都使用相同的权值参数（不同的滑窗位置使用相同的卷积核权值）,权值参数个数变为常数（卷积核的平方数），与神经元个数无关,卷积神经网络局部连接,卷积神经网络,特点,1,卷积神经网络特点1,卷积神经网络,特点,2,卷积神经网络特点2,卷积,卷积,池化（,pooling,）,Max pooling,Avg pooling,池化（pooling）Max pooling,网络结构,网络结构,网络结构,conv1阶段DFD（data flow diagram）：,网络结构conv1阶段DFD（data flow diagr,网络结构,conv2阶段DFD（data flow diagram）：,网络结构conv2阶段DFD（data flow diagr,网络结构,conv3阶段DFD（data flow diagram）：,网络结构conv3阶段DFD（data flow diagr,网络结构,conv4阶段DFD（data flow diagram）：,网络结构conv4阶段DFD（data flow diagr,网络结构,conv5阶段DFD（data flow diagram）：,网络结构conv5阶段DFD（data flow diagr,网络结构,fc6阶段DFD（data flow diagram）：,网络结构fc6阶段DFD（data flow diagram,网络结构,fc7阶段DFD（data flow diagram）：,网络结构fc7阶段DFD（data flow diagram,网络结构,fc8阶段DFD（data flow diagram）：,网络结构fc8阶段DFD（data flow diagram,网络学习,代价函数,优化方法,mini-batch,梯度下降,1,表达式为真,=1,，,1,表达式为假,=0,，最大化对应类别的概率,模型（假设函数）,网络学习代价函数 优化方法1表达式为真=1，1表达,网络学习,学习到的,96,个,conv1,卷积滤波器,网络学习学习到的96个conv1卷积滤波器,27,以上有不当之处，请大家给与批评指正，谢谢大家！,27,