基于卷積神經(jīng)網(wǎng)絡(luò)的算法簡(jiǎn)介概述3200字VIP

基于卷積神經(jīng)網(wǎng)絡(luò)的算法簡(jiǎn)介概述目錄 1 1 2 2 2 3 3 4 4 5 6 6研究基于U型網(wǎng)絡(luò)的低照度圖像增強(qiáng)算法。首先對(duì)這個(gè)算法做出基本概述，接1.1算法的基本概述光照強(qiáng)度不夠強(qiáng)的環(huán)境導(dǎo)致產(chǎn)生了很多低照度圖像。卷積神經(jīng)網(wǎng)絡(luò)只需使用少量參數(shù)數(shù)目就可以在短時(shí)間內(nèi)提取圖像特征且不需要U型網(wǎng)絡(luò)增強(qiáng)算法的結(jié)構(gòu)如圖3-1所示。增強(qiáng)流程為從低照度圖像集中取一圖像。在這種網(wǎng)絡(luò)結(jié)構(gòu)中，原始輸入圖像的尺寸在卷積層不斷變小，在反卷積層f?×f?f?×f?OO(1)特征提取與表示在很多圖像處理的過(guò)程中，將圖像分塊然后進(jìn)行處理是一個(gè)非常使用的方式，是一個(gè)在像素上進(jìn)行處理的操作，具體內(nèi)容為選擇輸入圖像的一個(gè)像素點(diǎn)為中心，再把一個(gè)特定的圖像塊當(dāng)成該像素點(diǎn)的領(lǐng)域，對(duì)該像素點(diǎn)的整個(gè)領(lǐng)域進(jìn)行處理，每次處理后僅得到輸出圖像中對(duì)應(yīng)像素點(diǎn)的值。與上述方法類似，采用滑窗卷積法對(duì)圖像進(jìn)行特征的提取和表示處理也是非常高效便捷的，每一個(gè)參數(shù)相對(duì)應(yīng)的卷積核可以從圖像中獲取不一樣的特征。提取第一層的特征可以表示為：其中，F(xiàn)i是濾波器空間的大小，W1表示濾波器，Bi表示偏置，*表示卷積運(yùn)算，濾波器數(shù)量為ni,c是輸入圖像中的通道數(shù)。B?是ni維向量，其每個(gè)值都與濾波器有關(guān)。第一層的具體操作流程為：對(duì)輸入圖像I,W1在圖像上應(yīng)用ni個(gè)卷積，每個(gè)卷積的內(nèi)核大小為c*f1*fi然后輸出是ni個(gè)特征映射得到的結(jié)果。最后對(duì)產(chǎn)生的結(jié)果進(jìn)行非線性映射。(2)非線性映射在上一步的基礎(chǔ)上，通過(guò)非線性映射關(guān)系，將得到的結(jié)果映射到n2維向量，等同于應(yīng)用1×1的n2濾波器。第二層的操作內(nèi)容為：其中，Ii表示第一層的輸出結(jié)果，W?的大小是n×f2×f2×f2,B2表示n2維度的偏置向量。為了方便列式，式(3-2)只列出了一個(gè)卷積層進(jìn)行運(yùn)算，在實(shí)際的結(jié)構(gòu)設(shè)計(jì)中，可以添加更多卷積層來(lái)增加非線性，從而獲取高維度的特征，這會(huì)增加模型的復(fù)雜性，因此需要更多訓(xùn)練時(shí)間。(3)圖像重建在傳統(tǒng)的算法中，會(huì)對(duì)輸出圖像的重疊部分平均處理，以此產(chǎn)生最終的完整了如圖3-1的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。在這個(gè)模型中，會(huì)優(yōu)化權(quán)重值和偏差值。在1.2算法原理分析1.2.1U型網(wǎng)絡(luò)基本結(jié)構(gòu)U型網(wǎng)絡(luò)由2個(gè)一樣的3×3卷積核組成，并且都選擇ReLU作為激活函數(shù)，長(zhǎng)的狀態(tài)，該網(wǎng)絡(luò)共有23個(gè)卷積層。左側(cè)部分稱為收縮路徑，右側(cè)部分為擴(kuò)張各有一個(gè)的最大池化層(步長(zhǎng)為2),每個(gè)卷積層使用對(duì)原始輸入圖像的相關(guān)激積層都選擇了ReLU當(dāng)激活函數(shù)，升采樣的每一個(gè)步驟都會(huì)添加相一層是一個(gè)1×1的卷積層，經(jīng)過(guò)這一步的卷積層運(yùn)算，可以把64通道的特征向量變成想要的分類結(jié)果的值。U-Net網(wǎng)絡(luò)的結(jié)構(gòu)示意圖如圖3-2所示：1.2.2算法實(shí)現(xiàn)步驟(1)數(shù)據(jù)集預(yù)處理算法的結(jié)論需要大量的訓(xùn)練數(shù)據(jù)作為支撐，為了深入研究低照度圖像的增強(qiáng)，將采用伽馬校正的算法，不斷地改變伽馬的曲線值從而獲得低照度圖像，調(diào)整方法如圖3-3所示：伽馬校正的定義式：其中，A是一個(gè)常數(shù)，輸入輸出值都是不是負(fù)數(shù)的實(shí)數(shù)。當(dāng)y<1時(shí)，位于低灰度區(qū)間內(nèi)，動(dòng)態(tài)區(qū)間變大，所以提高了圖像的對(duì)比度，位于高灰度區(qū)間時(shí)，動(dòng)態(tài)區(qū)間變小，減弱了圖像的對(duì)比度；y>1時(shí)，位于低灰度區(qū)間時(shí)，動(dòng)態(tài)區(qū)間變小，減弱了圖像的對(duì)比度，位于高灰度區(qū)間時(shí)，動(dòng)態(tài)區(qū)間變大，提高了圖像的對(duì)比度，圖像整體灰度值就被降低。隨機(jī)選擇數(shù)值作為伽馬校正的參數(shù)，降低圖像的亮度，從而得到低照度圖像，數(shù)據(jù)實(shí)例如圖3-4所示：正常照度圖像低照度圖像(2)特征提取層U型卷積神經(jīng)網(wǎng)絡(luò)的第一部分為特征提取層，可以提取在低照度條件下的底層的特征信息，可以根據(jù)不同的情況自適應(yīng)地調(diào)整處理低照度圖像的像素。在卷積神經(jīng)網(wǎng)絡(luò)中，卷積層的神經(jīng)元只和深層的神經(jīng)元連接，而在同一層中，某些神經(jīng)元之間的連接具有相同的權(quán)重和偏移量，這樣大減少了需要訓(xùn)練的參數(shù)的數(shù)量。如圖3-5所示，特征提取層是一個(gè)3層的卷積層，輸入層是原始輸入圖像的數(shù)據(jù)集，圖像的大小為256*256*1,第一層有多少個(gè)特征圖，就會(huì)有相同數(shù)量的卷積核卷積得到相應(yīng)的特征圖。設(shè)卷積核的尺寸為3*3,為了解決圖像的邊緣特征，對(duì)圖像進(jìn)行padding處理，然后即可得到尺寸為256*256*1的特征圖。卷積層的作用是對(duì)圖像進(jìn)行卷積運(yùn)算，然后提取出圖像更高層級(jí)的特征，具體流程如圖3-5所示：CCAfilterBa用公式可以表達(dá)為如下內(nèi)容：池化層的目的是通過(guò)降采樣縮小圖像，減少神經(jīng)網(wǎng)絡(luò)中的參數(shù)。由于進(jìn)行池化處理之后，圖像的細(xì)節(jié)信息會(huì)有一定程度的丟失。所以使用步長(zhǎng)為2的卷積層(3)跳躍連接層利于梯度的方向傳播，進(jìn)而加快訓(xùn)練的速度。跳躍連接的結(jié)構(gòu)圖如圖3-6所示：④(4)轉(zhuǎn)置卷積運(yùn)算[4,51],dtype=tf.float3kernel=tf[7,8,9]],dtype=tf.floattranspose_conv=tf.nn.conv2d_transpose(x,kernel,output_shape=[1,4,print(sess.run(trans123456789