知识卡片
卷积不保证旋转不变
卷积的共享参数有助于在不同位置检测相似模式,但本身不保证对缩放或旋转保持识别结果。可以依据任务设计裁剪、缩放或旋转等数据增强,让训练包含合理变化;增强是否保持标签仍需核实。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 卷积神经网络 4.8 下围棋 · 查看原书依据
其实,卷积神经网络不能处理图像放大、缩小或旋转的问题. 假设给卷积神经网络看的狗的图像大小都相同,那么它可以识别这是一只狗. 当把这幅图像放大后,它可能就识别不出这是一只狗了.卷积神经网络就是这么“笨”,对它来说,放大前后的图像是不同的. 虽然这两幅图像的内容一模一样,但是如果把它们“拉直”成向量,里面的数值就是不一样的.假设图像里面的物体都比较小,当卷积神经网络在某种大小的图像上学会做图像识别后,我们把物体放大,卷积神经网络的性能就会下降不少,卷积神经网络并没有我们想象的那么强. 因此在做图像识别的时候,往往要做数据增强.所谓数据增强,就是从训练用的图像里面截一小块出来放大,让卷积神经网络看不同大小的模式,以及将图像旋转,让卷积神经网络看某个物体旋转后是什么样子. 卷积神经网络不能处理图像缩放(scaling)和旋转(rotation)的问题,但 Special Transformer Layer 网络架构可以解决这个问题.
参考来源
- 位置:《深度学习详解》第4章《卷积神经网络》4.8 下围棋(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter04.xhtml`)
- 结论依据:原文以图像及棋盘案例说明局部连接、参数共享和汇聚的条件与取舍。
- 原始内容:其实,卷积神经网络不能处理图像放大、缩小或旋转的问题. 假设给卷积神经网络看的狗的图像大小都相同,那么它可以识别这是一只狗. 当把这幅图像放大后,它可能就识别不出这是一只狗了.卷积神经网络就是这么“笨”,对它来说,放大前后的图像是不同的. 虽然这两幅图像的内容一模一样,但是如果把它们“拉直”成向量,里面的数值就是不一样的.假设图像里面的物体都比较小,当卷积神经网络在某种大小的图像上学会做图像识别后,我们把物体放大,卷积神经网络的性能就会下降不少,卷积神经网络并没有我们想象的那么强. 因此在做图像识别的时候,往往要做数据增强.所谓数据增强,就是从训练用的图像里面截一小块出来放大,让卷积神经网络看不同大小的模式,以及将图像旋转,让卷积神经网络看某个物体旋转后是什么样子. 卷积神经网络不能处理图像缩放(scaling)和旋转(rotation)的问题,但 Special Transformer Layer 网络架构可以解决这个问题.