Naked Data Science Day — 28 (слой CNN и свертка поверх цвета RGB)

Введение:

Сверточные нейронные сети (CNN) — это популярный тип глубокой нейронной сети, используемый в задачах компьютерного зрения, таких как классификация изображений, обнаружение объектов и сегментация. В этом блоге мы рассмотрим работу CNN и то, как она может выполнять операции свертки над изображением RGB.

Слой CNN:

CNN состоит из нескольких уровней, каждый из которых служит определенной цели в сети. Основным строительным блоком CNN является сверточный слой, где к входному изображению применяется фильтр для извлечения признаков. Операция свертки включает в себя перемещение фильтра по входному изображению, вычисление скалярного произведения между фильтром и перекрывающимися пикселями ввода. Это создает карту объектов, представляющую собой сжатое представление входного изображения, в котором выделяются важные функции, такие как края и углы.

Свертка по RGB:

В большинстве случаев изображения представляются в виде трехмерного массива с высотой, шириной и глубиной изображения. В изображении RGB глубина соответствует каналам красного, зеленого и синего цветов. В сверточном слое фильтр обычно представляет собой небольшую матрицу, которая применяется к каждому из цветовых каналов отдельно.

Во время свертки фильтр перемещается по входному изображению, вычисляя скалярное произведение между фильтром и соответствующим цветовым каналом входного изображения. Это создает отдельную карту функций для каждого цветового канала. Эти карты объектов затем объединяются для создания одной выходной карты объектов, которая представляет отфильтрованное изображение.

Прокладка:

При применении свертки к изображению обычно добавляют отступы вокруг изображения, чтобы сохранить его пространственные размеры. Заполнение включает добавление нулей вокруг изображения перед применением свертки, гарантируя, что выходная карта объектов имеет те же размеры, что и входное изображение.

Заключение:

В этом блоге мы обсудили работу CNN и то, как она может выполнять операции свертки над изображением RGB. Мы также обсудили важность заполнения для сохранения пространственных размеров изображения во время свертки. Обладая этими знаниями, мы теперь можем понять, как CNN можно использовать для выполнения задач компьютерного зрения, таких как классификация изображений, обнаружение объектов и сегментация.