- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我的输入张量为 shape (C,H,W)
,其中H=W
和C=W^2
。该张量包含 shape (1,H,W)
图像的非线性变换信息挤压到(H,W)
。转换的确切形式并不重要(另外,无论如何也没有封闭形式的表达式)。我想设计一个CNN
从这样的张量估计图像。我意识到我必须尝试 CNN architectures
(因为我没有转换的确切形式),但我不太确定如何继续。
输入张量既有正值又有负值,这对于图像重建很重要,因此 ReLU layer
可能不应该在 CNN
开头附近实现。我也不认为池化层有用,至少在 H
中是这样。和W
方面。显然,我必须折叠 C 维度才能获得图像,但我认为不应该一次性完成,e.g., torch.nn.Conv2d( C, 1, kernel_size )
可能不是一个好主意。
在我看来,我应该首先使用 Conv2D layer
它产生与输入张量相同大小的张量(以部分解扰非线性变换),但如果内核大小大于 1 H
和W
尺寸将减小,这是我不希望的(除非稍后可以在 CNN
中解决这个问题)。另一方面,如果内核大小为 1,则形状将保持相同,但我认为在这种情况下张量不会发生任何变化。另外,我可能必须包含线性层,但我不确定如何将它们与 3D
一起使用。张量。
欢迎任何建议。
最佳答案
只要先应用加权线性层,在开头附近应用 ReLU 层就没有问题。如果网络得知它需要那里的值,它可以应用负权重来保留信息(粗略地说)。
事实上,在某些网络中要做的一件有用的事情就是对输入进行归一化以适应 N(0, 1) 正态分布。请参阅https://www.researchgate.net/post/Which_data_normalization_method_should_be_used_in_this_artificial_neural_network
关于由于内核大小而“减少”H/W 尺寸的问题 - 您可以在边界上使用 0 填充来避免此问题。根据我的经验,网络通常可以很好地处理这个问题。但是,如果性能是一个问题,通常您可能希望显着降低分辨率,然后在最后进行某种升级。您可以在这里找到此类网络的示例: Create image of Neural Network structure
对于池化/特征层:因为张量的深度非常大(W^2),我建议您实际上立即减少很多。由于张量中每一层的权重,网络的复杂性在张量深度和像素数方面是二次。所以,我的基本策略是一开始就快速缩小信息空间,进行一些层计算,然后进行放大。
这些年来我学到的是,CNN 具有很强的弹性,而且纸面上看起来不错的架构思想在现实中效果甚微 - 最好的因素几乎总是更多的层(以良好的方式完成,但自从 ResNet 以来,它变得更加容易)和更多/更好的数据。因此,我会开始试验并尝试评估给定的工作 PoC 是什么阻止了网络或尝试各种变体。
我希望这有足够的意义:)祝你好运!
关于python - 使用 CNN 进行图像反卷积,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59913069/
R-CNN、fast R-CNN、faster R-CNN 和 YOLO 在以下方面有什么区别: (1) 同一图像集上的精度 (2) 给定 SAME IMAGE SIZE,运行时间 (3) 支持安卓移
我试图比较 CNN 模型和组合 CNN-SVM 模型进行分类的准确性结果。然而我发现 CNN 模型比 CNN-SVM 组合模型具有更好的准确性。这是正确的还是可能发生? 最佳答案 这取决于很多因素,但
我知道这可能是一个愚蠢的问题,但我对机器学习和人工神经网络有点陌生。 深度卷积神经网络和密集卷积神经网络有什么区别吗? 提前致谢! 最佳答案 密集 CNN 是深度 CNN 的一种,其中每一层都与比自身
我正在使用预训练的 CNN 从图片中提取特征。使用这些特征作为新 CNN/NN 的输入有意义吗?以前做过吗?我很高兴得到答复。 最佳答案 这称为微调。这是非常常用的。通常,我们会删除 VGG 或类似网
与 caffe 合作几个月后,我已经能够成功地训练我自己的模型。例如,比我自己的模型更进一步,我已经能够用 1000 个类来训练 ImageNet。 现在在我的项目中,我试图提取我感兴趣的区域。之后我
我正在使用下面的 LeNet 架构来训练我的图像分类模型,我注意到每次迭代都不会提高训练和验证的准确性。这方面的任何专家都可以解释可能出了什么问题吗? 训练样本 - 属于 2 个类别的 110 张图像
我使用剩余连接实现了以下 CNN,用于在 CIFAR10 上对 10 个类进行分类: class ConvolutionalNetwork(nn.Module): def __init__(se
我有一组二维输入数组 m x n即 A,B,C我必须预测两个二维输出数组,即 d,e我确实有预期值。如果您愿意,您可以将输入/输出视为灰色图像。 由于空间信息是相关的(这些实际上是 2D 物理域)我想
我正在开发一个交通跟踪系统,该系统可以分析已经收集的视频。我正在使用opencv,线程,pytorch和dectron2。为了加快从opencv抓帧的速度,我决定使用Thread,该线程运行一个循环,
我正在解决一个问题,需要我构建一个深度学习模型,该模型必须基于某些输入图像输出另一个图像。值得注意的是,这两个图像在概念上是相关的,但它们没有相同的尺寸。 起初我认为具有最终密集层(其参数是输出图像的
我正在制作一个卷积网络来预测 3 类图像:猫、狗和人。我训练了又训练它,但是当我传递猫图像来预测时,它总是给出错误的输出。我尝试了其他猫的照片,但结果没有改变。对于人和狗来说没有问题,只是对于猫来说。
我接到一项任务,要实现一个卷积神经网络,该网络可以评估 MNIST dataset 中找到的手写数字。网络架构如下所示: 我已经实现了一个与架构相匹配的 CNN,不幸的是它的准确率只有 10% 左右。
我正在尝试在 Keras 中重新创建 CNN 来对点云数据进行分类。 CNN 在 this 中描述。纸。 网络设计 这是我当前的实现: inputs = Input(shape=(None, 3))
我想为有 300 个类的数据集设计 CNN。我已经用以下模型对两个类(class)进行了测试。它具有良好的准确性。 model = Sequential([ Conv2D(16, 3, padding
我成功训练了 CNN 模型,但是当我向模型提供图像以使其预测标签时,出现错误。 这是我的模型(我正在使用 saver.restore 恢复它)... # load dataset mnist = in
我恢复了用于人脸检测的预训练模型,该模型一次获取单个图像并返回边界框。如果这些图像具有不同的尺寸,如何才能获取一批图像? 最佳答案 您可以使用tf.image.resize_images方法来实现这一
我有大约 8200 张图像用于人脸检测任务。其中 4800 个包含人脸。其他 3400 张图像包含 3D 人脸面具(由橡胶/ latex 制成)、卡通人脸、猴子脸的图像。我想检测给定的图像是否包含真实
我有一组合成噪声图像。示例如下: 我还有它们相应的干净文本图像作为我的地面实况数据。下面的例子: 两个图像的尺寸为4918 x 5856。它的大小是否适合训练我的执行图像去噪的卷积神经网络?如果没有,
大家好! 由于我正在尝试制作一个将灰度图像转换为 RGB 图像的全卷积神经网络,所以我想知道是否可以在不同大小的图像(不同的像素和比率)上训练和测试模型。通常你只会下采样或上采样,这是我不想做的。我听
我正在研究 CNN 特征的早期和晚期融合。我从 CNN 的多层中获取了特征。对于早期融合,我捕获了三个不同层的特征,然后水平连接它们 F= [F1' F2' F3']; 对于后期融合,我正在阅读此 p
我是一名优秀的程序员,十分优秀!