2009-08-21 4 views
16

Ho letto un paio di libri e articoli sulla rete neurale convoluzionale, a quanto pare ho capito il concetto, ma non so come mettere in su come nell'immagine qui sotto: alt text http://what-when-how.com/wp-content/uploads/2012/07/tmp725d63_thumb.pngRete neurale involutiva - Come ottenere le mappe delle funzioni?

da 28x28 pixel normalizzato INPUT otteniamo 4 funzionalità mappe di dimensioni 24x24. ma come ottenerli? ridimensionando l'immagine INPUT? o eseguire trasformazioni di immagine? ma che tipo di trasformazioni? o tagliando l'immagine in ingresso in 4 pezzi di dimensioni 24x24 per 4 angoli? Non capisco il processo, a me sembra che abbiano tagliato o ridimensionato l'immagine in immagini più piccole ad ogni passaggio. per favore aiuto grazie.

+0

Potresti elencare i libri/gli articoli che hai letto per la rete neurale Convolutional? Grazie in anticipo. – lmsasu

+3

È da Neural Networks and Learning Machines, libro di terza edizione –

+10

Sono stato anche confuso, questa convoluzione è in realtà la parte molto importante (da qui il nome 'convolutional NN'), ma la maggior parte delle persone sembra concentrarsi sulla spiegazione di come funziona la CNN, e ignorare la parte "come ottenere le mappe delle caratteristiche". Ero confuso (e anche arrabbiato) finché non ho trovato questo sito web: http://www1.i2r.a-star.edu.sg/~irkhan/conn2.html Spiega tutto in inglese. –

risposta

8

Questo è il file della guida di MATLAB per la funzione CONV2, che utilizza in CNN Matlab (per ottenere strati convoluzionali). Leggilo attentamente e vedrai la tua risposta.

%CONV2 Two dimensional convolution. 
% C = CONV2(A, B) performs the 2-D convolution of matrices A and B. 
% If [ma,na] = size(A), [mb,nb] = size(B), and [mc,nc] = size(C), then 
% mc = max([ma+mb-1,ma,mb]) and nc = max([na+nb-1,na,nb]). 
% 
% C = CONV2(H1, H2, A) convolves A first with the vector H1 along the 
% rows and then with the vector H2 along the columns. If n1 = length(H1) 
% and n2 = length(H2), then mc = max([ma+n1-1,ma,n1]) and 
% nc = max([na+n2-1,na,n2]). 
% 
% C = CONV2(..., SHAPE) returns a subsection of the 2-D 
% convolution with size specified by SHAPE: 
%  'full' - (default) returns the full 2-D convolution, 
%  'same' - returns the central part of the convolution 
%    that is the same size as A. 
%  'valid' - returns only those parts of the convolution 
%    that are computed without the zero-padded edges. 
%    **size(C) = max([ma-max(0,mb-1),na-max(0,nb-1)],0).**