开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

相当于3x3浮雕内核的5x5是什么？

相当于3x3浮雕内核的5x5是一种图像处理技术中的卷积核。卷积核是一种用于图像处理和计算机视觉中的滤波器，通过对图像进行卷积运算，可以实现各种特定的图像处理效果。

卷积核的尺寸表示了卷积操作涉及的像素范围。在这里，3x3浮雕内核指的是一个3行3列的浮雕卷积核，用于实现浮雕效果的图像处理。而相当于3x3浮雕内核的5x5则是指将3x3浮雕内核进行扩展，得到了一个5行5列的浮雕卷积核。

浮雕效果是一种常见的图像处理效果，可以将图像中的灰度值变化转化为一种立体感强烈的浮雕效果。通过卷积操作，将浮雕卷积核应用于图像的每个像素点，可以实现对图像的浮雕效果增强。

在实际应用中，卷积核可以根据需求设计和调整，用于实现不同的图像处理效果，如锐化、模糊、边缘检测等。在云计算领域，图像处理通常需要大量的计算资源，可以通过云计算平台来进行高效的图像处理。腾讯云提供了图像处理相关的云产品，如腾讯云图像处理服务，详情可参考：https://cloud.tencent.com/product/imgpro

相关搜索:卷积中的扩张内核与内核5x5 使用3x3内核的卷积不起作用 lldb相当于gdb的start命令是什么？linux内核是什么语言写的在PHP中相当于中国的时区是什么？tclsh相当于bash的-c (运行命令)是什么？最小的可引导内核示例是什么？使用捕获语法传递的内核函数是什么？cuda和张量内核的区别是什么？Rust相当于JavaScript的数组扩展运算符是什么？MRTK v2相当于HTK的UAudioManager是什么？postgresql相当于SQL Server中的OBJECT_ID()是什么？了解linux或BSD内核的最佳方法是什么？.NET内核在Angular 2中的用途是什么在谷歌分析中，dataLayer相当于gtagjs的脚本是什么？Linux内核版本号中的+是什么意思？python REPL中相当于OS shell中的`python -m`的命令是什么？切换gpios以指示内核引导进度的最佳方法是什么？在qemu上运行linux内核时使用的gdbserver是什么？在elasticsearch中创建倒排索引(相当于MongoDB的索引)是什么样子？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

计算机视觉：7.1 卷积神经网络

7.1 卷积操作图片卷积图像卷积就是卷积核在图像上按行滑动遍历像素时不断地相乘求和的过程。原图 Image：

03

图像卷积与滤波的一些知识点

之前在学习CNN的时候，有对卷积进行一些学习和整理，后来就烂尾了，现在稍微整理下，先放上来，以提醒和交流。

02

CNN 常用网络结构解析 && 1x1 卷积运算示意图

VGG ： conv3x3、conv5x5、conv7x7、conv9x9和conv11x11，在224x224x3的RGB图上（设置pad=1，stride=4，output_channel=96）做卷积，卷积层的参数规模和得到的feature map的大小如下：

04

图像卷积与滤波参考资料：

首先，我们有一个二维的滤波器矩阵（有个高大上的名字叫卷积核）和一个要处理的二维图像。然后，对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，作为该像素位置的值。这样就完成了滤波过程。注意：卷积和协相关的差别是，卷积需要先对滤波矩阵进行180的翻转，但如果矩阵是对称的，那么两者就没有什么差别了。

02

深度学习之VGG19模型简介

该网络是在ILSVRC 2014上的相关工作，主要工作是证明了增加网络的深度能够在一定程度上影响网络最终的性能。

04

笔记 |《深度学习原理与TensorFlow实践》学习笔记（三）

作者 | 王清目录图像识别的经典课题计算机视觉图像识别课题卷积神经网络原理前深度学习时代卷积操作Convolution 池化Pooling ReLURectified Linear Units 多层卷积 Dropout 经典模型介绍及TensorFlow代码解析 AlexNet 震惊世界的突破 VGGNet更深的结构更优秀 GoogLeNet Inception 更全面的结构更优秀 GoogLeNet Inception-V2加入Batch Normalization Inception-V3

05

图片语义分割-FCN

首先说下什么是语义分割，语义分割是从像素的水平上来理解识别图像，相当于知道每一个像素是什么东西。可用于自动驾驶和医学上的。早先是利用手工特征加图模型。随着深度网络的发展，也引入的CNN，传统的CNN

07

快到起飞 | PP-LCNet在CPU上让模型起飞，精度提升且比MobileNetV3+快3倍

随着模型特征提取能力的提高以及模型参数和FLOPs数量的增加，在基于ARM架构的移动设备或基于x86架构的CPU设备上实现快速推理变得困难。在这种情况下，已经提出了许多优秀的Mobile网络，但由于MKLDNN的限制，这些网络的速度在启用MKLDNN的Intel CPU上并不理想。

01

Network In Network

传统cnn网络中的卷积层其实就是用线性滤波器对图像进行内积运算，在每个局部输出后面跟着一个非线性的激活函数，最终得到的叫作特征图。而这种卷积滤波器是一种广义线性模型。所以用CNN进行特征提取时，其实就隐含地假设了特征是线性可分的，可实际问题往往是难以线性可分的。

01

系列3 | CV领域这样入门进阶才是对滴

如果，你手中有一张256*256分辨率的图像，想让它降低为128*128分辨率，可以将源图像划分成2*2的子图像块，然后将2*2的子图像块的所有像素颜色均按照F(i,j)的颜色值进行设定，达到降低分辨率的目的。

03

【随笔记录】1*1卷积核的作用

之前只是知道1x1的卷积核用在Inception模块中具有降维的作用，并没有认真的思考它是怎么样实现降维的，以及它还有哪些作用。于是查阅了一些资料，并记录了它的一些作用，如下：

05

深度理论VGG-NET 网络

VGG名字来源于Visual Geometry Group, Department of Engineering Science, University of Oxford。它是由Karen Simonyan & Andrew Zisserman2015年发表在论文《Very Deep Convolutional Networks for Large-Scale Image Recognition》中，并在2014年获得ImageNet Challenge中图像定位一等奖和图像分类二等奖，提高了图像分类的精度。 VGGNet的主要特点在于： (1)网络很深； (2)卷积层中使用的卷积核很小，且都是3*3的卷积核。

02

[深度学习] AlexNet，GoogLeNet，VGG，ResNet简化版

总结了一下这几个网络的比较重要的点，像这些经典的网络，面试的时候，估计会经常问到，怎么用自己的话说出来？不知道大家想过没有。今天有空就总结了一下，尽量简单和通俗，希望对大家有帮助。同时欢迎大家补充！谢谢！ AlexNet AlexNet共有9层，包括输入层，5个卷积层和3个全连接层，中间使用了3次最大值池化。卷积核的大小由11x11到5x5再到3x3，最后输出层是1000维的SoftMax多分类。第2,4,5和三个全连接层神经元的偏置初始化为常数1，其它层初始化为0。为了避免过拟合，AlexNet使用数

09

12张动图解析深度学习中的卷积网络

来源：机器人圈本文长度为2178字，建议阅读4分钟本文通过12张动图为你介绍深度学习中的卷积网络。现如今，卷积神经网络在人工智能领域应用的广泛性及重要性可谓是不言而喻。为了让大家对卷积的类型有一个清晰明了的认识，我可以快速概述不同类型的卷积及其好处。为了简单起见，我仅关注二维卷积。卷积(Convolutions) 首先，我们需要就定义卷积层的几个参数。图1 二维卷积、内核大小为3、步幅为1 内核大小：内核大小定义了卷积的视野。二维的常见选择是3——即3x3像素。步幅：步幅定义了遍历图像时

09

GoogLeNet

始于LeNet-5，一个有着标准的堆叠式卷积层中带有一个或多个全连接层的结构的卷积神经网络。通常使用dropout来针对过拟合问题。为了提出一个更深的网络，GoogLeNet做到了22层，利用inception结构，这个结构很好地利用了网络中的计算资源，并且在不增加计算负载的情况下，增加网络的宽度和深度。同时，为了优化网络质量，采用了Hebbian原理和多尺度处理。GoogLeNet在分类和检测上都取得了不错的效果。最近深度学习的发展，大多来源于新的想法，算法以及网络结构的改善，而不是依赖于硬件，新的数据集，更深的网络，并且深度学习的研究不应该完全专注于精确度的问题上，而更应该关注与网络结构的改善方面的工作。

02

深度学习三人行(第11期)----CNN经典网络之GoogLeNet

上一期，我们一起学习了深度学习卷积神经网络中的经典网络之LeNet-5和AlexNet，

02

手撕 CNN 经典网络之 VGGNet（理论篇）

2014年，牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司一起研发了新的卷积神经网络，并命名为VGGNet。VGGNet是比AlexNet更深的深度卷积神经网络，该模型获得了2014年ILSVRC竞赛的第二名，第一名是GoogLeNet（我们之后会介绍）。

05

Pelee：移动端实时检测骨干网络

在ImageNet数据集上，PeleeNet只有MobileNet模型的66%,并且比MobileNet精度更高。PeleeNet作为backbone实现SSD能够在VOC2007数据集上达到76.4%的mAP。文章总体上参考DenseNet的设计思路，提出了三个核心模块进行改进，有一定参考价值。

01

理解卷积神经网络中的四种卷积

卷积现在可能是深度学习中最重要的概念。正是靠着卷积和卷积神经网络，深度学习才超越了几乎其他所有的机器学习手段。这期我们一起学习下深度学习中常见的卷积有哪些？

05

深度学习VGG模型核心拆解

如今深度学习发展火热，但很多优秀的文章都是基于经典文章，经典文章中的一句一词都值得推敲和分析。此外，深度学习虽然一直被人诟病缺乏足够令人信服的理论，但不代表我们不能感性分析理解，下面我们将对2014年夺得ImageNet的定位第一和分类第二的VGG网络进行分析，在此过程中更多的是对这篇经典文章的感性分析，希望和大家共同交流产生共鸣，如果有理解不到位的也真诚期待指出错误。 📷 Simonyan, Karen, and Andrew Zisserman. "Very deep convolutional net

08

入门 | 一文概览深度学习中的卷积结构

选自Medium 作者：Paul-Louis Prove 机器之心编译参与：路雪、李亚洲本文对三种不同的卷积进行了介绍，同时讲解了各自的优点，对初学者而言，是理解卷积的一篇好文章。卷积首先，我

05

GoogLenet解读

本文介绍的是著名的网络结构GoogLeNet及其延伸版本，目的是试图领会其中的思想而不是单纯关注结构。

02

深度学习VGG模型核心拆解

如今深度学习发展火热，但很多优秀的文章都是基于经典文章，经典文章中的一句一词都值得推敲和分析。此外，深度学习虽然一直被人诟病缺乏足够令人信服的理论，但不代表我们不能感性分析理解，下面我们将对2014年

03

拆解VGGNet网络模型在分类和定位任务上的能力

下面我们将对2014年夺得ImageNet的定位第一和分类第二的VGG网络进行分析，在此过程中更多的是对这篇经典文章的感性分析，希望和大家共同交流产生共鸣，如果有理解不到位的也真诚期待指出错误。

09

CNN中常用的四种卷积详解

卷积现在可能是深度学习中最重要的概念。正是靠着卷积和卷积神经网络，深度学习才超越了几乎其他所有的机器学习手段。这期我们一起学习下深度学习中常见的卷积有哪些？

02

机器视觉检测中的图像预处理方法

本文以Dalsa sherlock软件为例，一起来了解一下视觉检测中平滑模糊的图像处理方法。

02

[高大上的DL]经典网络模型总结之GoogLeNet篇

勘误：开始之前说一下，昨天介绍的环境搭建的那篇，里面我忘记写cudnn的安装说明了，只贴了在哪下载，我在word版里面已经更新了，欢迎需要的童鞋下载查看。还有一个是，里面的sudo和后面的命令连在一起了，sudo的意思是相当于Windows里面的获取管理员权限，输入之后，它会让你输入一个密码，就是安装的时候，你设置的密码，但是你输入之后是不显示的，这是Linux的安全性的体现，别以为你没输进去哈。好了就这么多，抱歉！ **************分割线************** 前面介绍了Alexnet，

04

可分离卷积基本介绍

任何看过MobileNet架构的人都会遇到可分离卷积（separable convolutions）这个概念。但什么是“可分离卷积”，它与标准的卷积又有什么区别？可分离卷积主要有两种类型：

02

前端图像处理之滤镜

滤镜主要是用来实现图像的各种特殊效果，比如灰色、颜色反转、黑白、马赛克、锐化等，我们在 Photoshop 中处理图片时经常能看到，这些看似很复杂的功能前端同学通过 Canvas 也能很容易实现。本文先通过几个简单的例子，解释如何实现简单的滤镜效果；之后再介绍卷积的基础知识，通过卷积运算来实现比较复杂的滤镜效果。

02

基于卷积神经网络的图像分类

目前主要的网络先是AlexNet，然后到VGG，到GoogleNet再到ResNet，深度是逐渐加深的分别是8层、19层、GoogleNet V1是22层和ResNet第一篇文章是152层，其中VGG和ResNet结构简洁而且性能比较好，因此使用比较广泛。GoogleNet的性能最好，但是网络很复杂，思想是先分级再分支然后再各自做变换然后再合并，就是增加了网络的宽度，先分支各个网路做各自的卷积或池化，最终把结果串接起来形成更多的特征通道。残差网络主要是对通达上的操作，通道拆解。目前网络有三大维度，深度、宽度(GoogleNet主做的维度)、残差网络的升级版ResNeXt增加了维度基数，因此有三个参数来表征网络的复杂度，换句话说就是模型的表达力，网络越复杂模型表达力越强。

01

VGG 论文研读

摘要研究主要贡献是通过非常小的3x3卷积核的神经网络架构全面评估了增加深度对网络的影响，结果表明16-19层的网络可以使现有设置的网络性能得到显著提高

02

什么是GoogleNet？什么是Inception？GoogleNet结构详解（2014年）

googleNet是2014年的ILSVRC的冠军模型，GoogleNet做了更大胆的网络上的尝试，而不是像vgg继承了lenet以及alexnet的一切框架。GoogleNet虽然有22层，但是参数量只有AlexNet的1/12。

04

干货|（DL~2)一看就懂的卷积神经网络

文章来自：https://leonardoaraujosantos.gitbooks.io 作者：Leonardo Araujo dos Santos

01

VGG16 、VGG19 、ResNet50 、Inception V3 、Xception介绍

卷积神经网络在视觉识别任务上的表现令人称奇。好的CNN网络是带有上百万参数和许多隐含层的“庞然怪物”。事实上，一个不好的经验规则是：网络越深，效果越好。AlexNet，VGG，Inception和ResNet是最近一些流行的CNN网络。为什么这些网络表现如此之好？它们是如何设计出来的？为什么它们设计成那样的结构？回答这些问题并不简单，但是这里我们试着去探讨上面的一些问题。网络结构设计是一个复杂的过程，需要花点时间去学习，甚至更长时间去自己动手实验。首先，我们先来讨论一个基本问题：

03

深度学习——卷积神经网络的经典网络（LeNet-5、AlexNet、ZFNet、VGG-16、GoogLeNet、ResNet）

一、CNN卷积神经网络的经典网络综述下面图片参照博客：http://blog.csdn.net/cyh_24/article/details/51440344 二、LeNet-5网络输入尺寸：32

07

一文读懂最近流行的CNN架构（附学习资料）

来源：机器学习算法全栈工程师本文长度为4259字，建议阅读6分钟本文为你介绍CNN架构，包括ResNet, AlexNet, VGG, Inception。本文翻译自ResNet, AlexNet, VGG, Inception: Understanding various architectures of Convolutional Networks，原作者保留版权。 http://cv-tricks.com/cnn/understand-resnet-alexnet-vgg-inceptio

05

ResNet, AlexNet, VGG, Inception: 理解各种各样的CNN架构

作者：叶虎编辑：王抒伟本文翻译自ResNet, AlexNet, VGG, Inception: Understanding various architectures of Convolutional Networks http://cv-tricks.com/cnn/understand-resnet-alexnet-vgg-inception/ 原作者保留版权。卷积神经网络（CNN）在视觉识别任务上的表现令人称奇。好的CNN网络是带有上百万参数和许多隐含层的“庞然怪物”。事实上，一个

07

为什么要用空洞卷积？

空洞卷积（atrous convolutions），又称扩张卷积（dilated convolutions），向卷积层引入了一个成为“扩张率（dilated rate）”的新参数，该参数定义了卷积核处理数据时各值的间距。下图是正常卷积核空洞卷积的动态图对比：

03

深度学习: GoogleNet 网络

提出了 Inception_v1，开启了伟大的Inception系列，并刷新了网络的深度新记录。

02

基于PyTorch的卷积神经网络经典BackBone(骨干网络)复现

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 前言卷积神经网络的发展，从上个世纪就已经开始了，让时间回到1998年，在当时，Yann LeCun 教授提出了一种较为成熟的卷积神经网络架构LeNet-5，现在被誉为卷积神经网络的“HelloWorld”，但由于当时计算机算力的局限性以及支持向量机(核学习方法)的兴起，CNN方法并不是当时学术界认可的主流方法。时间推移到14年后，随着AlexNet以高出第二名约10%的accuracy rate成为了2012年Ima

04

笔记分享 : OpenCV中的常用边缘检测算法

哈喽，大家好，我们今天了解一下OpenCV中的边缘检测功能实现。在一些案例中，我们需要对物体进行边缘检测，而且是越精准越好。那么，OpenCV提供了哪些边缘检测的方法呢？

04

深度学习分类网络的发展历史

人工智能(AI)是目前IT最前沿的领域之一，而深度学习(Deep Learning)则是AI中最火热的方向。深度学习是指深度的神经网络，这主要是因为网络深了之后才可以表现更广阔的意思，而神经网络最基本的问题是分类问题。本文从神经网络开始起，讲讲深度学习分类网络的发展历史以及其中用到的技术。

01

[深度概念]·华山论剑-卷积网络发展史

LeNet：1998，Gradient based learning applied to document recognition

04

理解CNN卷积层与池化层计算

深度学习中CNN网络是核心，对CNN网络来说卷积层与池化层的计算至关重要，不同的步长、填充方式、卷积核大小、池化层策略等都会对最终输出模型与参数、计算复杂度产生重要影响，本文将从卷积层与池化层计算这些相关参数出发，演示一下不同步长、填充方式、卷积核大小计算结果差异。

01

目标检测--Wide-Residual-Inception Networks for Real-time Object Detection

本文主要是在 Residual 和 Inception 基础上构建新的模型，实现实时物体检测。构建的新模型特色是占用内存少，计算量小。新网络命名为 wide-residual-inception (WR-Inception) 。

02

[翻译]VGGNET分类任务——VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION

VGGNet于2014年提出，在文献VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 中有详细介绍。

09

1x1卷积详解：概念、优势和应用

Lin等人的《网络中的网络(Network in Network, NiN)》一文，提出了一种特殊的卷积操作，它允许跨通道参数级联，通过汇聚跨通道信息来学习复杂的交互。他们将其称为“交叉通道参数池化层”（cross channel parametric pooling layer），并将其他操作与1x1卷积核进行卷积的操作相比较。

01

移动端SOTA模型 MixNet

Depthwise卷积在设计更轻量高效的网络中经常被使用，但人们通常都忽略了Depthwise卷积中的卷积核大小（通常都是使用3x3）。在这篇工作中，我们研究了不同大小卷积核对网络性能的影响，并观察到不同大小卷积核相互组合，能得到更高的准确性。基于这个思想，我们得到了一个以不同大小卷积核组合成Depthwise卷积模块，再AutoML的搜索下，提出了一个更高效的网络Mixnet，超越大部分移动端网络如Mobilenetv1, v2, shufflenet等等。

03

从LeNet到GoogLeNet：逐层详解，看卷积神经网络的进化

深度学习的兴起使卷积神经网络在计算机视觉方面大放异彩，本文将按时间和创新点顺序介绍一系列网络结构：LeNet、AlexNet、VGGNet、InceptionNet 与 ResNet。

03

从LeNet到GoogLeNet：逐层详解，看卷积神经网络的进化

深度学习的兴起使卷积神经网络在计算机视觉方面大放异彩，本文将按时间和创新点顺序介绍一系列网络结构：LeNet、AlexNet、VGGNet、InceptionNet 与 ResNet。

03

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

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭