卷积神经网络与边缘检测

计算机视觉

计算机视觉的三个应用场景

• 图像识别/图像分类
• 目标检测
• 风格迁移

​ 图片由像素构成，一张图片的数据量很大，如果采用传统的DNN其参数量巨大，难以处理。为此，需要进行卷积计算，它是卷积神经网络中非常重要的一块。

边缘检测

卷积运算是卷积神经网络最基本的组成部分，使用边缘检测作为入门样例。

卷积运算

​ 这是一个6×6的灰度图像。因为是灰度图像，所以它是6×6×1的矩阵，而不是6×6×3的，因为没有RGB三通道。为了检测图像中的垂直边缘，你可以构造一个3×3矩阵。在共用习惯中，在卷积神经网络的术语中，它被称为过滤器。我要构造一个3×3的过滤器，有时也会被称为核。

​ 卷积运算的输出将会是一个4×4的矩阵，你可以将它看成一个4×4的图像。。为了计算第一个元素，在4×4左上角的那个元素，使用3×3的过滤器，将其覆盖在输入图像，如下图所示。然后进行元素乘法运算，所以，然后将该矩阵每个元素相加得到最左上角的元素。

动态演示：

检测边缘的原因

​ 为什么这个可以做垂直边缘检测呢？让我们来看另外一个例子。这是一个简单的6×6图像，左边的一半是10，右边一般是0。如果你把它当成一个图片，左边那部分看起来是白色的，像素值10是比较亮的像素值，右边像素值比较暗，使用灰色来表示0，尽管它也可以被画成黑的。图片里，有一个特别明显的垂直边缘在图像中间，这条垂直线是从黑到白的过渡线，或者从白色到深色。

​ 这里的维数似乎有点不正确，检测到的边缘太粗了。因为在这个例子中，图片太小了。如果用一个1000×1000的图像，而不是6×6的图片会很好地检测出图像中的垂直边缘。