有没有什么方法可以让CNN输出像素位置？
卷积神经网络（Convolutional Neural Network，CNN）通常用于图像识别和计算机视觉任务，其输出是对输入图像的特征提取和分类。CNN的输出通常是一个特征图，每个特征图上的每个像素代表了对应位置的特征强度。
然而，如果需要获取CNN输出的像素位置信息，可以采用以下方法之一：
- 空间转换网络（Spatial Transformer Network，STN）：STN是一种用于增强CNN的模块，可以通过学习对输入图像进行空间变换，从而实现对输出像素位置的控制。STN可以通过学习仿射变换参数来对输入图像进行平移、旋转、缩放等操作，从而实现对输出像素位置的调整。
- 反卷积层（Deconvolutional Layer）：反卷积层是CNN中的一种常用层，用于将特征图进行上采样，从而恢复到输入图像的尺寸。通过反卷积层，可以将特征图的每个像素位置映射回输入图像的像素位置，从而获取CNN输出的像素位置信息。
需要注意的是，以上方法都需要在CNN的网络结构中进行相应的修改和调整，以便实现对像素位置的输出。此外，这些方法的具体实现和效果会受到具体任务和数据集的影响。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云AI智能图像处理：https://cloud.tencent.com/product/tii
- 腾讯云AI机器学习平台：https://cloud.tencent.com/product/tiia
- 腾讯云云服务器（CVM）：https://cloud.tencent.com/product/cvm
- 腾讯云云数据库MySQL版：https://cloud.tencent.com/product/cdb_mysql
- 腾讯云云原生容器服务：https://cloud.tencent.com/product/tke
- 腾讯云音视频处理：https://cloud.tencent.com/product/mps
- 腾讯云物联网平台：https://cloud.tencent.com/product/iotexplorer
- 腾讯云移动开发平台：https://cloud.tencent.com/product/mpe
- 腾讯云对象存储（COS）：https://cloud.tencent.com/product/cos
- 腾讯云区块链服务：https://cloud.tencent.com/product/bcs
- 腾讯云虚拟专用网络（VPC）：https://cloud.tencent.com/product/vpc
- 腾讯云安全产品：https://cloud.tencent.com/product/safety
- 腾讯云视频直播：https://cloud.tencent.com/product/lvb
- 腾讯云音视频通信：https://cloud.tencent.com/product/trtc
- 腾讯云游戏多媒体引擎：https://cloud.tencent.com/product/gme
- 腾讯云人工智能：https://cloud.tencent.com/product/ai
相关·内容
2回答
输入图像大小如何影响全连通层的大小和形状？
machine-learning、image-processing、neural-network、computer-vision、image-segmentation
我读了很多说明两件事的教程。
“用卷积层替换完全连接的层，将它们转换成完全卷积的网络，该网络接受任意大小的输入和输出分类图。”。
传统的CNN不能做到这一点，因为它有一个完全连接的层，它的形状是由输入图像大小决定的。
基于这些陈述，我的问题如下？
每当我做了一个FCN，我只能让它工作在一个固定维度的输入图像，用于培训和测试。但是在论文的摘要中，他们指出：“我们的关键洞察力是建立”完全卷积“的网络，它接受任意大小的输入，并通过有效的推理和学习产生相应大小的输出。”
输入图像大小是如何确定完全连接层的？我试着上网看，但没有找到直接的答案。
浏览 0提问于2019-08-02得票数 0
回答已采纳
2回答
在某些情况下，省略CNN中的池层是否有意义？
machine-learning、neural-network、computer-vision、conv-neural-network、max-pooling
我知道，通常的CNN包括卷积层和池层。池层使得输出更小，这意味着计算量更少，同时也使得它在某种程度上不变性，因此从核心滤波器中提取的特征位置可以在原始图像中稍微移动一点。
但是，当我不使用池层时会发生什么呢？原因可能是我希望从原始图像中的每个像素都有一个特征向量，所以卷积层的输出必须和图像一样大，只是有更多的通道。这有道理吗？这些特征向量中是否仍有有用的信息，还是需要在CNN中设置池层？或者，是否有一些方法来获得单个像素的特征向量和池层？
浏览 4提问于2017-11-01得票数 5
回答已采纳
2回答
从输入图像生成新图像的CNN
machine-learning
CNN这样的输出图像的功能添加到输入图像可以创建吗？例如，如果输入一个人的脸的图像，输出一个戴眼镜的人的脸的图像。
浏览 5提问于2017-01-17得票数 9
回答已采纳
1回答
是否有可能在每个像素都有多个标签的情况下进行像素分类？
python、machine-learning、tensorflow、conv-neural-network、convolution
使用CNN，我想拍摄一张每个像素都有3个标签注释的图像。如下所示：
0,1 (not object/object)
0,1,2,3... (Class of object, eg cat,dog)
0,1,2,3...(Object Number of given class eg, 2nd instance of cat)
换句话说，给出一张多只猫和狗的照片，CNN会输出给定的像素来自一个对象，该对象是一只猫，它属于图像中的猫的第二个实例(例如，从左上角开始计数)。
这可以用单个CNN来实现吗?或者我必须组合多个CNN才能实现这个结果？
编辑:我应该注意，我知道我最初必须用带注释的图像训练C
浏览 1提问于2017-05-15得票数 0
1回答
语义分割中的去卷积网络
neural-network、deep-learning、image-classification
最近我遇到了一篇关于使用反卷积网络进行语义分割的论文：用于语义分割的学习反褶积网络。
网络的基本结构如下：
📷
最终的目标是生成一个概率图。我很难搞清楚如何实现反褶积层。文件中说：
非池层的输出是一个扩大的，但稀疏的激活映射。反褶积层将通过使用多个学习滤波器的卷积类运算解池获得的稀疏激活紧密化。然而，与将滤波器窗口内的多个输入激活连接到单个激活的卷积层相反，反卷积层将单个输入激活与多个输出相关联。反褶积层的输出是一幅放大密集的活化图。我们裁剪扩大的激活映射的边界，以保持输出映射的大小与前一个解池层的大小相同。反卷积层中的学习滤波器对应于重构输入对象形状的基。因此，类似于卷积网络，采用一种分层的
浏览 0提问于2015-11-24得票数 5
回答已采纳
1回答
如何用神经网络来裁剪人脸？
python、deep-learning、keras
我希望建立一个面部识别系统，并意识到我很可能通过第一次裁剪人脸来提高精度。我知道我可以使用Haar Cascade分类器来完成这个任务，但是我更愿意使用一种深入学习的方法，因为这是我目前关注的领域。要做到这一点，我是否只是创建一个CNN，输入是一个图像，输出是X，Y，宽度，高度？或者还有更多？我已经尝试过这种方法与亚当优化器和大约600张图片，但结果不是很好。关于如何改进这个问题，有什么建议吗？
浏览 0提问于2019-01-23得票数 3
回答已采纳
1回答
如何正确掩码卷积神经网络中的值
python、numpy、machine-learning、pytorch、conv-neural-network
我正在为一些图像创建一个编码器-解码器CNN。每个图像都有一个围绕中心的几何形状--圆、椭圆等。
我希望我的CNN忽略这个形状中的所有价值观。我所有的输入数据值都被归一化为0-1左右。我将所有的形状值都设置为0。
我认为将它们设置为零意味着它们不会被更新，然而，我的编码器-解码器CNN的输出改变了形状。
我可以做些什么来确保这些值保持不变并且不会更新？
谢谢!
浏览 0提问于2021-01-13得票数 1
1回答
两个卷积层之间的互连
deep-learning、conv-neural-network
关于CNN中两个卷积层之间的互连，我有一个问题。例如，假设我有这样的体系结构：
投入:28x28
conv1: 3x3过滤器，不。过滤器: 16
conv2: 3x3过滤器，不。滤器: 32
在conv1后，假设图像维数不降低，则输出为16x28x28。所以我们有16个特征地图。在下一层中，每个特征映射连接到下一层意味着，如果我们将每个特征映射(28x28)看作一个神经元，那么每个神经元将连接到所有32个滤波器，即总计(3x3x16)x32参数。这两层是如何堆叠或相互关联的？在人工神经网络的情况下，我们有两层之间的权重。CNN里也有这样的东西吗？如何将一个卷积层的输出输入到下一个卷积层？
浏览 0提问于2017-03-05得票数 2
回答已采纳
2回答
在DeConvNet中，解池和反卷积是如何工作的
image-processing、machine-learning、neural-network、deep-learning、conv-neural-network
我一直在尝试理解在DeConvNets中解池和解卷积是如何工作的。
取消池化
而在解池阶段，激活将恢复到最大激活选择的位置，这是有意义的，但剩余的激活怎么办？这些剩余的激活是否也需要恢复，或者以某种方式内插，或者只是在未池化的映射中填充为零。
反卷积
在卷积部分(即，卷积层、Relu、池化)之后，通常具有多个特征地图输出，这些输出将被视为连续层( Deconv.)。如何将这些功能图组合在一起，以获得与原始输入分辨率相同的激活图？
浏览 1提问于2016-01-28得票数 17
回答已采纳
1回答
为什么(MNIST训练过的)模型不擅长于不位于图像中心的数字
deep-learning、mnist
关于这个问题
我的CNN模型在MNIST数据集上的准确率高达99.4%。所以我尝试一些不规则的输入。预测结果是不正确的。
下面是我使用的一些不规则输入
如我们所知，CNN卷积会扫描整个图像，也不关心图像中哪些区域的关键特征。
为什么CNN不能处理不规则输入
浏览 3提问于2017-08-08得票数 1
回答已采纳
1回答
隐藏的3d卷积网络层的形状，如何计算？
machine-learning、multidimensional-array、deep-learning、computer-vision、conv-neural-network
我想计算CNN的给定隐藏层输出的形状，所以假设输入形状是(27,27,27,1)，即一个图像通道，第一个卷积层是16X(3,3,3)核，步长是1，填充是0，所以这一层的输出形状是：(25,25,25, 16 )，16对应于这一层中的核的数量，所以这里我们有16个体积的形状(25,25,25)，之后，我们有一个32X(3,3,3)核的第二卷积层，步长是1，填充是0，因此，这一层中的每个内核都应该(通常)应用于这一层的整个输入体积，即(25,25,25,16)，但这里的输出是形状(23,23,23,32)，如果我基于conv2d，我所理解的是，每个内核都应用于输入中的整个体积，我们将所有内核的结果
浏览 0提问于2020-06-03得票数 0
1回答
如何让CNN学习位置约束？
deep-learning、computer-vision、conv-neural-network、vision
我正在使用完全连接的CNN研究医学领域的图像分割问题。
问题是，对于特定的图像，它可能具有许多相似的结构。我们的任务是找到正确的。我想让CNN学习的一件事是，不应该有一个结构在另一个结构下面，这个结构首先在顶部找到。在地面真实图像中，它被隐式地显示出来，因为在每个图像中只有一个结构。有没有可能用CNN来实现？如果不是，可以做些什么来实现它呢？
浏览 1提问于2019-05-10得票数 0
2回答
卷积神经网络中特征映射的个数
neural-network、convolution
我读过这篇文章，，当我转到这篇文章时: Layer #0:是MNIST数据库中手写字符的灰度图像，它被填充到29x29像素。输入层有29x29= 841个神经元。图层1:是一个有六个特征映射的卷积层。有13x13x6 = 1014个神经元，(5x5+1)x6 =156个重量，1014x26 = 26364从第1层连接到前一层。
如何从图像上的卷积得到六(6)特征图？我想我们只得到一张特征地图。还是我错了？
浏览 2提问于2014-06-18得票数 2
回答已采纳
1回答
在CNN，我怎样才能决定不。输入图像和第一隐藏层之间的特征映射，等等？
matlab、deep-learning、conv-neural-network、recurrent-neural-network
我有MxN的rgb图像。所以这里没有。彩色频道将是3(r，g，b).now，我想建立一个CNN模型。所以输入神经元的no是MxN.Let，我们有nxn感受fields.so，第一隐层神经元的no是( my +1)x(my+1).So，我的问题是：
我怎么才能决定不。输入图像和第一隐藏层之间的特征映射，等等？
特征图是如何与特征通道连接的？它们的特征通道和颜色通道之间有什么关系吗？
我是新在CNN.any类型的反应接受。
浏览 2提问于2016-02-02得票数 1
回答已采纳
1回答
CNN的频道是如何处理的？它是独立加工还是融合？
deep-learning、cnn、terminology、mathematics
假设我们讨论的是二维卷积在图像上的应用。
在灰度图像中，数据是维数w \times h的矩阵，其中w是图像的宽度，h是它的高度。在彩色图像中，通常有3个通道:红色、绿色和蓝色；这样，彩色图像可以表示为维数w \times h \times c的矩阵，其中c是通道数，即3。
卷积层接收图像(w \times h \times c)作为输入，并作为输出生成维数w' \times h' \times c'的激活映射。卷积中的输入信道数为c，输出信道数为c'。
我的困惑是，如果c =2或3或4等，CNN会对数据的融合表示进行操作吗？还是一次在每个频道上运行，然后堆叠结果
浏览 0提问于2020-02-13得票数 2
回答已采纳
2回答
故障理解卷积神经网络
machine-learning、computer-vision、neural-network、torch、conv-neural-network
我从上读到关于卷积神经网络的文章。然后我开始和torch7玩。我对CNN的卷积层感到困惑。
从教程中，
1
The neurons in a layer will only be connected to a small region of the layer before it, instead of all of the neurons in a fully-connected manner.
2
For example, suppose that the input volume has size [32x32x3], (e.g. an RGB CIFAR-10 image). If t
浏览 3提问于2016-01-16得票数 8
回答已采纳
1回答
图像分类中的放大系数
image-classification、image-recognition、convolutional-neural-network
如果CNN对聚焦于某一物体的图像进行训练，它是否也能识别出图像中存在多个这样的物体？
例如，一个对单个花图像进行训练的网络是否也能识别出一束中有许多这样的花的图像？
如果情况逆转，答案是否相同？也就是说，CNN对一束花图像的训练也能识别出单一的花图像吗？
浏览 0提问于2018-09-25得票数 1
1回答
无法理解如何计算Conv网中的过滤器
machine-learning、neural-network、convolution、conv-neural-network
我已经学习机器学习4个月了，我理解MLP背后的概念。当我开始阅读关于卷积神经网络的文章时，问题就出现了。让我告诉你我知道什么，然后问我有什么问题。
CNN的核心部分是：
卷积层:使用"n“个过滤器生成"n”特征映射的。
RELU层:您可以使用它来规范卷积层的输出。
子抽样层:用于“生成”表示更抽象概念的新特征映射的。
重复前3层几次，最后一部分是一个常见的分类器，如MLP。
我的疑虑如下：
如何创建在卷积层中使用的过滤器？我需要创建一个过滤器，训练它，然后将它放入Conv层，还是使用反向传播算法来训练它？
假设我有一个包含3个过滤器的conv层，然后
浏览 1提问于2016-11-05得票数 4
回答已采纳
2回答
1x1卷积与完全连接的层是如何相同的？
neural-network、convolutional-neural-network
我最近读到了严LeCuns对1x1卷积的评论：
在卷积网中，没有“完全连接的层”这样的东西。只有具有1x1卷积核的卷积层和一个完整的连接表。这是一个很少被理解的事实，即ConvNets不需要固定大小的输入。您可以对它们进行输入训练，这些输入恰好产生单个输出矢量(没有空间范围)，然后将它们应用于较大的图像。然后，您将得到一个输出向量的空间映射，而不是单个输出向量。每个向量在输入上的不同位置看到输入窗口。在这种情况下，“完全连接的层”实际上是1x1卷积。
我想看看一个简单的例子。
示例
假设您有一个完全连接的网络。它只有一个输入层和一个输出层。输入层有3个节点，输出层有2个节点。该网络具有3 \c
浏览 0提问于2016-07-17得票数 86
回答已采纳
1回答
什么是分步褶积层？
deep-learning、computer-vision、convolution、convolutional-neural-network
在纸使用上下文金字塔CNN生成高质量的人群密度图中，在3.4节中，它说
由于这项工作的目的是估计高分辨率和高质量的密度图，所以using是使用一组卷积和分步的卷积层来构造的。这组分数步幅卷积层帮助我们恢复输出密度图中的细节。second采用如下结构: CR(64,9)-CR(32,7)- TR(32)-CR(16,5)-TR(16)-C(1,1)，其中，C是卷积层，R是ReLU层，T是分步卷积层，每个括号内的第一个数表示滤波器的数目，第二个数字表示滤波器的大小。每个部分跨距卷积层增加输入分辨率2倍，从而确保输出分辨率与输入的分辨率相同。
我想知道分步卷积层的细节。
浏览 0提问于2019-04-15得票数 10
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频活动推荐
腾讯云开发者
