admin管理员组文章数量:1650926
通常卷积神经网络中都会使用这两种类型的features: 卷积神经网络的前几层学习low level feature,后几层学习的是high level feature
文章目录
- 一、low-level feature
- 二、high level feature
- 三、low-level feature和high-level feature 的特点
一、low-level feature
Low-level feature: 通常是指图像中的一些小的细节信息,例如边缘(edge),角(corner),颜色(color),像素(pixeles), 梯度(gradients)等,这些信息可以通过滤波器、SIFT或HOG获取
比如右图是通过下面的 3x3 的 Sobel 边缘检测算子(就是个滤波器)
右边的边缘的图可以认为是 low-level feature , 因为只是一些表面,表观的信息,比如纹理、边缘有兴趣的可以把训练的浅层的 cnn 权重拿出来可视化一下。
二、high level feature
high-level feature:是建立在low level feature之上的,可以用于图像中目标或物体形状的识别和检测,具有更丰富的语义信息
high-level feature 常被人称为是高级的语义信息, 他的感觉就像通过环境信息 纹理信息,等等一些信息综合得出来的一个信息,然后分类or检测的时候在使用它去进行判断。
三、low-level feature和high-level feature 的特点
low-level feature 它是怎么来的?
它是原图通过很浅的几层卷积得到的输出,这里提一个感受野(不知道感受野看第三点),浅层的特征他的感受野较小,例如:他只从5x5的区域提取一个边缘信息。 high-level feature 他的感受野大, 他可以从100x100的区域总结一个语义信息。
上图是语义分割一个操作来分析有没有low-level 所带来的影响,做法是一个网络label 就是右边的GT,当只使用high-level的特征做预测的时候 他可以得到大体的目标的状态,一个很宏观的角度。当引入low-level的特征就会弥补很多细节信息。
其实low-level high-level 其实也要分任务的,不同任务理解也不太一样。
版权声明:本文标题:CNN:low-level feature 和 high level feature 的理解 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://m.elefans.com/dongtai/1729531637a1204882.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论