Какая операция свертки используется для распознавания изображений?

Question

Все надуманные примеры, которые я нашел из свертки в распознавании признаков, «упрощают» операцию свертки, имея значения пикселей 1 или -1. Это делает для очень простой операции (умножать входной пиксель фильтровального пикселя, результаты суммы, а затем разделить на количестве пикселей):

Однако, это не очень полезно для большинства изображений, где значение пикселей будет иметь диапазоны , Например. (0,0-1,0) или (0-255).

Я не могу найти пример, какой алгоритм использовать для этих входных значений. Я попытался суммировать разницу для каждого пикселя, а затем делить на количество пикселей, чтобы получить общую «ошибку». Активация тогда равна max - ошибке. Например. 255 - ошибка, или 1.0 - ошибка.

Он никогда не выдаст отрицательного значения, хотя я не вижу необходимости в слое ReLU. Это заставляет меня подозревать, что это наивный подход и на самом деле не работает, но я не уверен, почему.

Итак, какова операция, используемая, когда входные данные являются чем-то иным, чем 1/-1?

EDIT Вот пример я смотрел на: http://brohrer.github.io/how_convolutional_neural_networks_work.html

И операция свертки он описывает:

Чтобы вычислить совпадение признака в пятне изображения, просто умножьте каждый пиксель в функции на значение соответствующего пикселя в изображении. Затем добавьте ответы и разделите общее число пикселей в этой функции. Если оба пикселя белые (значение 1), то 1 * 1 = 1. Если оба являются черными, то (-1) * (-1) = 1. В любом случае каждый соответствующий пиксель приводит к 1. Аналогично, любой Несоответствие равно -1.

Конкретный пример того, почему я не думаю, что это работает для пикселей со значением [0.0,1.0]. Скажем, у нас есть фильтр 1x1 со значением [0.5]. Если мы запустим это по входному пикселю, значение которого равно 0.5, тогда получим 0.25.

Аналогичным образом, если мы используем диапазоны цветов [0,255], тогда мы легко получим значения> 255. Хотя я не уверен, что имеет значение, поскольку данные больше не являются пикселями; это активация в карте объектов, не так ли?

Answer 1

Обычно вы используете свертку для каждого пикселя. Таким образом, каждый пиксель представляет собой сумму всех этих пикселей со всеми этими весами. Таким образом, это 0,77 * этот угловой пиксель, 0,33 *, этот другой угол, и все эти значения складываются и помещаются в центр. Обычно обжимается. То же самое делается для всех остальных пикселей без перекрытия каких-либо данных.

Значение следующей версии этого пикселя представляет собой сумму нескольких пикселей. Иногда это дается с весами. Поэтому вместо умножения на -1 мы умножаем вес каждого из этих пикселей.

Обычно вы нормализуете сверточные веса. В этом случае 9.444444444444444 и разделите сумму различных пикселей на различные веса на эту величину. Но это, очевидно, Canny Edge Detection, что означает, что точка должна превышать заданный диапазон и делить только края. Это означает, что в зависимости от ядра он вполне может позволить максимум 9.44x верхнего диапазона. И нижний диапазон отрицательного значения. Затем вы обжимаете процедуру и усекаете данный пиксель в диапазоне 0-255 или 0.0-1.0 (в зависимости от того, что вы используете). Это теряет много данных, но в этом и смысл, он хочет потерять шум и сохранить края.

Answer 2

Как правило, вам нужно ввести порог ввода для преобразования в двоичный файл в качестве первого прохода. Конечно, вы можете сверлить изображения в оттенках серого, и обнаружение линии Canny делает именно это. Но результатом является еще одно непрерывное изображение и нуждается в дальнейшей обработке.

Там некоторый материал по обработке бинарного изображения на моем GitHub проект, здесь http://malcolmmclean.github.io/binaryimagelibrary/