当前位置: 首页 > news >正文

计算机视觉 之 经典模型汇总

文章目录

  • 早期特征工程模型
    • SIFT(尺度不变特征变换) 2004
    • HOG(方向梯度直方图) 2005
    • Haar特征 + AdaBoost(2001)
  • 深度学习模型
    • LeNet-5 (1998)
    • AlexNet (2012)
      • 转置卷积

早期特征工程模型

SIFT(尺度不变特征变换) 2004

在这里插入图片描述
在这里插入图片描述

HOG(方向梯度直方图) 2005

在这里插入图片描述

Haar特征 + AdaBoost(2001)

在这里插入图片描述

深度学习模型

LeNet-5 (1998)

  • 地位:首个成功应用于数字识别的卷积神经网络(CNN),奠定了 CNN 的基础架构。
  • 结构:包含卷积层、池化层、全连接层,输入为 32×32 的手写数字图像。
  • 特点:
    • 首次验证了卷积操作(局部感受野、权值共享)在图像处理中的优势,大幅减少参数数量。
    • 仅适用于简单任务(如 MNIST 手写数字识别),对复杂图像效果有限。

AlexNet (2012)

  • 地位:深度学习引爆计算机视觉的标志性模型,在 ImageNet 竞赛中准确率远超传统方法。
  • 结构:8 层网络(5 层卷积 + 3 层全连接),首次使用 ReLU 激活函数、Dropout 数据增强
  • 特点:
    • 突破了传统神经网络的计算瓶颈,证明了深度 CNN 在大规模图像识别中的潜力。
    • 引入 GPU 加速训练,推动了深度学习硬件和软件的发展。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

import torch.nn as nn 
# AlexNet 网络结构
# 其实就是 前面5个卷积层,后面3个全连接层
# 卷积层:
# 1. 卷积层1:输入3通道,输出96个特征图,卷积核大小11x11,步长4,填充2
# 2. 卷积层2:输入96个特征图,输出256个特征图,卷积核大小5x5,步长2,填充2
# 3. 卷积层3:输入256个特征图,输出384个特征图,卷积核大小3x3,步长1,填充1
# 4. 卷积层4:输入384个特征图,输出384个特征图,卷积核大小3x3,步长1,填充1
# 5. 卷积层5:输入384个特征图,输出256个特征图,卷积核大小3x3,步长1,填充1
# 全连接层:
# 1. 全连接层1:输入256x5x5,输出4096
# 2. 全连接层2:输入4096,输出4096
# 3. 全连接层3:输入4096,输出10
class AlexNet(nn.Module):def __init__(self):super(AlexNet, self).__init__()self.conv = nn.Sequential(nn.Conv2d(3,96,kernel_size=11,stride=4),nn.ReLU(),nn.MaxPool2d(kernel_size=3,stride=2),# 减小卷积窗口nn.Conv2d(96,256,kernel_size=5,padding=2),nn.ReLU(),nn.MaxPool2d(kernel_size=3,stride=2),# 连续三个卷积层nn.Conv2d(256,384,kernel_size=3,padding=1),nn.ReLU(),nn.Conv2d(384,384,kernel_size=3,padding=1),nn.ReLU(),nn.Conv2d(384,256,kernel_size=3,padding=1),nn.ReLU(),nn.MaxPool2d(kernel_size=3,stride=2))self.fc = nn.Sequential(nn.Linear(256*5*5,4096),nn.ReLU(),nn.Dropout(0.5),nn.Linear(4096,4096),nn.ReLU(),nn.Dropout(0.5),nn.Linear(4096,10))def forward(self,img):feature = self.conv(img)output = self.fc(feature.view(img.shape[0],-1))return output

分析

  • ReLU激活函数,一般在这个卷积层全连接层后面,用于:

    • 解决梯度消失的问题
    • 使得神经网络可以学习到这个复杂的非线性映射
  • Dropout 这个全连接层使用(卷积层参数共享并且参数量比较少),训练的时候启用,但是推理的时候关闭(PyTorch 会自动处理,通过model.train()和model.eval()控制

    • 通过随机丢弃神经元,减少神经元间的共适应,降低过拟合。
    • 相当于集成多个子网络,提升泛化能力

转置卷积

  • 作用:
    • CNN 可视化:可将卷积得到的特征图还原到像素空间,用于观察特征图对哪些模式响应最大,从而可视化卷积操作提取出的特征。
    • 图像分割:在全卷积网络(FCN)中,需要对图像进行像素级的分割,通过反卷积将特征图尺寸还原到原来的大小,实现上采样操作。
    • 生成模型:在生成对抗网络(GAN)中,需要从输入向量生成图像,通过反卷积将提取的特征图还原到和原图同样尺寸的大小,生成最终的图像。
  • 与卷积的区别:卷积通常会使图像尺寸变小,用于提取特征;而反卷积主要用于将特征图尺寸扩大,实现上采样。虽然反卷积看上去像是正向卷积的逆运算,但它只能还原原始图像的尺寸不能真的恢复原始图像内容,即输出特征图的每个元素值与原始输入图像对应位置的元素值是不一样的。
    在这里插入图片描述
http://www.dtcms.com/a/275294.html

相关文章:

  • QT跨平台应用程序开发框架(6)—— 常用显示类控件
  • 【电脑】硬盘驱动器(HDD)的基础知识
  • Qt 多线程编程:单例任务队列的设计与实现
  • Spring Ai Alibaba Gateway 实现存量应用转 MCP 工具
  • 力扣 hot100 Day42
  • AI 时代的分布式多模态数据处理实践:我的 ODPS 实践之旅、思考与展望
  • RabbitMQ面试精讲 Day 1:RabbitMQ核心概念与架构设计
  • ntfs - SELinux
  • Vue框架之钩子函数详解
  • 路由双向引入实验:将一种路由协议学习到的路由注入另一种协议中
  • Linux中的git命令
  • Spring Cloud Gateway中常见的过滤器
  • 【kubernetes】--controller(DaemonSet)
  • Git入门教程
  • 【离线数仓项目】——电商域DIM层开发实战
  • 【一起来学AI大模型】RAG系统流程:查询→向量化→检索→生成
  • 医疗AI前端开发中的常见问题分析和解决方法
  • OpenCL study - code02
  • 箭头函数(Arrow Functions)和普通函数(Regular Functions)
  • 7. 负载均衡:流量调度引擎
  • 8-day06预训练模型
  • 一个中层管理者应该看什么书籍?
  • 从就绪到终止:操作系统进程状态转换指南
  • 智能文本抽取在合同管理实战应用
  • 人事系统选型与应用全攻略:从痛点解决到效率跃升的实战指南
  • Datawhale AI夏令营:基于带货视频评论的用户洞察挑战赛上分全攻略
  • 自动驾驶线控系统与动力电池系统
  • 【天坑记录】cursor jsx文件保存时错误格式化了
  • K230摄像头配置与显示配置误解:而这根本没关系
  • 【驱动】移植CH340驱动,设置 udev 规则,解决和 BRLTTY 的冲突