Quel est le réseau capable d'extraire les caractéristiques marginales des images ?

Le réseau qui peut extraire les caractéristiques de bord de l'image est la couche de convolution ; le but de l'opération de convolution est d'extraire différentes caractéristiques de l'entrée. La première couche de convolution peut uniquement être capable d'extraire certaines caractéristiques de bas niveau telles que. les bords, les lignes et les coins. Les réseaux comportant davantage de couches peuvent extraire de manière itérative des entités plus complexes à partir d'entités de bas niveau.

L'environnement d'exploitation de cet article : système Windows 7, ordinateur DELL G3

Quel est le réseau qui peut extraire les caractéristiques de bord des images ?

Le réseau qui peut extraire les caractéristiques de bord de l'image est la couche convolutionnelle.

Chaque couche convolutive (Couche convolutive) du réseau neuronal convolutif est composée de plusieurs unités de convolution, et les paramètres de chaque unité de convolution sont optimisés grâce à l'algorithme de rétro-propagation. Le but de l'opération de convolution est d'extraire différentes caractéristiques de l'entrée. La première couche de convolution peut uniquement être capable d'extraire certaines caractéristiques de bas niveau telles que les bords, les lignes et les coins. D'autres couches de réseaux peuvent extraire de manière itérative des caractéristiques plus complexes. caractéristiques de bas niveau.

Réseau de neurones convolutionnels

Le réseau de neurones convolutifs (CNN) est un réseau de neurones à action directe. Ses neurones artificiels peuvent répondre aux unités environnantes dans une partie de la zone de couverture et il est excellent pour le traitement d'images à grande échelle. Performance.

Un réseau de neurones convolutifs se compose d'une ou plusieurs couches convolutives et d'une couche entièrement connectée en haut (correspondant à un réseau de neurones classique), ainsi que des poids et couches de pooling associés. Cette structure permet aux réseaux de neurones convolutifs d'exploiter la structure bidimensionnelle des données d'entrée. Les réseaux de neurones convolutifs peuvent donner de meilleurs résultats en matière de reconnaissance d’images et de parole par rapport à d’autres structures d’apprentissage profond. Ce modèle peut également être entraîné à l'aide de l'algorithme de rétropropagation. Comparés à d’autres réseaux de neurones profonds à rétroaction, les réseaux de neurones convolutifs nécessitent moins de paramètres à prendre en compte, ce qui en fait une structure d’apprentissage en profondeur attrayante.

Pour plus de connaissances connexes, veuillez visiter la rubrique FAQ !

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!