计算机视觉，一种直观的解释

计算机视觉，一种直观的解释

人类历史和大脑研究中的一个主要问题是：我们如何以我们的方式感知世界？

当谈到我们的眼睛时，这些只是传感器，帮助我们建立一个可理解的表现我们周围的场景！例如，诸如颜色之类的属性不是物理世界中的物体所固有的，而是代表我们对不同波长的光的感知反射的心理抽象。尽管听起来令人沮丧，但在我们的物理现实中，一切都是“黑暗的”。当此物体反映我们在心理上与红色相关联的特定波长时，物体显示为红色，并吸收所有其余物体。

在这种情况下，我们在f（t）上应用g（t）（称为内核），并根据两个函数区域的交点改变响应（f * g）（t）。这种卷积概念是信号处理中最常用的技术，应用于计算机视觉，可以看作是处理多个RGB传感器的信号。

你在上面看到的只是图像中滑动窗口与内核的矩阵乘法，然后加上总和。计算机视觉环境中卷积的强大之处在于它们是RGB传感器领域的强大特征提取器。单独拍摄时，每个像素（RGB传感器）对于理解图像包含的内容毫无意义。是空间中像素彼此的关系，才赋予图像真正的意义。它适用于您在计算机上阅读本文的方式，其中像素表示字符，大脑在空间中匹配黑色像素，形成字符的概念。

在图的左侧，您可以看到错误空间，它由应用于我们特定数据点的MSE给出。在右侧，我们可以看到我们的数据点的表示，以及由m和b定义的行。在开始时，线完全关闭，并且它反映在高误差值中。然而，当我们计算导数并向函数减少的位置移动时，我们最终得到m和b的值，这些值类似于数据点的属性。

每个输入都有一个权重w1，w2，...，wn，表示它们对输出的重要性。最后，使用输入和给定阈值的加权和计算输出。如果此总和大于此阈值，感知器将输出1，否则为0。这可以更容易地用代数术语来表达：

网络的人工神经元通过层彼此连接。连接到输入的第一组神经元形成输入层。提供预测的网络的最后一层称为输出层。中间可以有任意数量的层，它们被认为是隐藏层。