毕业论文课题相关文献综述
在各类深度神经网络结构中，卷积神经网络是应用最广泛的一种，它由LeCun在1989年提出[1]。
在图像处理中，这些卷积核矩阵的数值是人工设计的。
通过某种方法，我们可以通过机器学习的手段来自动生成这些卷积核，从而描述出不同类型的特征，卷积神经网络就是通过这种自动学习的手段来得到各种有用的卷积核。
典型的卷积神经网络由卷积层、池化层、全连接层构成。
卷积层可视化，卷积网络设计的初衷是通过卷积层和池化层逐级提取图像在各个不同抽象层次的特征，我们会有这样的疑问:现实结果真的是这样的吗?AlexNet网络处理解决出来很杂乱，没有反应太多信息。
有没有更好的解决办法?答案是肯定的，目前出现了一些文章解决卷积层可视化的问题。
一种典型的方法，通过反卷积运算将卷积核的效果可视化出来。
文献[2]设计了一种用反卷积操作可视化卷积层的方案。
将卷积网络学习到的特征图像左乘得到这些特征图像的卷积核的转置矩阵，将图片特征从特征图像空间投影到像素空间，以发现是哪些像素激活了特定的特征图像，达到分析理解卷积网络的目的。
对于卷积层，在反卷积运算时使用正向传播时的卷积核的转置矩阵对特征图像进行卷积，将特征图像还原到原始的像素图像空间得到重构的图像。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
