深层网络真的优于浅层网络吗？

游戏小天才11111 2022-05-11 15:51:31

深层网络真的优于浅层网络吗？

...全文

2116 1 打赏收藏转发到动态举报

写回复

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

weixin_38498942 2022-05-12

打赏
举报

回复

浅层和深层网络都足够好, 并且能够近似任何功能。但是对于相同级别的准确性, 更深层的网络在计算和参数数量方面可能会更加高效。深度网络可以创建深度表示。在每一层, 网络都会学习到一种新的, 更抽象的输入表示形式。

【深度学习】吴恩达课程笔记(二)——浅层神经网络、深层神经网络笔记

基于BP神经网络的巢湖市冬季浅层地温预报.pdf

植物疾病可导致常见番茄作物产量损失高达 50%。成功的疾病管理需要精确及时的疾病识别方法，但人类专家或实验室检测的诊断缓慢且不一致，使农民无法在疾病造成损害之前采取适当的治疗措施。作为一种替代诊断方法，基于移动设备通过计算机视觉从有症状的叶子照片中识别疾病的方法由于其方便性和可访问性而更加有效。先前的研究使用“深度”卷积神经网络 (CNN) 实现了高精度诊断，该网络具有大量处理层，因此计算要求高，大多数移动设备难以满足。为了实现实用的移动解决方案，需要一种层数少的“浅层”CNN，因此计算要求低，但精度与深度 CNN 相似。在这项工作中，我们探索了这样的模型是否可行。我们假设，由于浅层 CNN 固有的降维效果相对较低，因此浅层 CNN 能够实现比深层 CNN 更高的准确率，从而能够保留不同病害叶片照片之间的更多区别性特征。我们将自己构建的浅层 CNN 与传统的深层 CNN 的性能进行了比较。浅层 CNN 的表现优于几种深层 CNN，证实了我们的假设。这一发现促使我们开发了 PlantDoctor，这是一款移动应用，可以通过手机摄像头实时拍摄的叶片图像准确识别植物病害并提出适当的治疗建议。

植物疾病可导致常见番茄作物产量损失高达 50%。成功的疾病管理需要精确及时的疾病识别方法，但人类专家或实验室检测的诊断缓慢且不一致，使农民无法在疾病造成损害之前采取适当的治疗措施。作为一种替代诊断方法，基于移动设备通过计算机视觉从有症状的叶子照片中识别疾病的方法由于其方便性和可访问性而更加有效。先前的研究使用“深度”卷积神经网络 (CNN) 实现了高精度诊断，该网络具有大量处理层，因此计算要求高，大多数移动设备难以满足。为了实现实用的移动解决方案，需要一种层数少的“浅层”CNN，因此计算要求低，但精度与深度 CNN 相似。在这项工作中，我们探索了这样的模型是否可行。我们假设，由于浅层 CNN 固有的降维效果相对较低，因此浅层 CNN 能够实现比深层 CNN 更高的准确率，从而能够保留不同病害叶片照片之间的更多区别性特征。我们将自己构建的浅层 CNN 与传统的深层 CNN 的性能进行了比较。浅层 CNN 的表现优于几种深层 CNN，证实了我们的假设。这一发现促使我们开发了 PlantDoctor，这是一款移动应用，可以通过手机摄像头实时拍摄的叶片图像准确识别植物病害并提出适当的治疗建议。

针对传统去雾算法需要人工提取特征,对比度低、信噪比低等问题, 提出一种基于多特征融合的卷积神经网络去雾算法。利用卷积神经网络算法模拟人类视觉系统对雾天图像进行层次化处理, 实现自动提取特征。算法采用直接从雾天图像到清晰无雾图像映射的学习方式, 该映射由特征提取、多尺度特征融合和浅层深层特征融合联合实现。多尺度特征融合提升网络对图像细节的重建, 浅层深层特征融合则将浅层卷积得到的轮廓信息和深层卷积得到的细节信息进行融合, 提升去雾重建的整体效果。实验结果表明, 相比于单一尺度网络, 多特征融合网络的峰值信噪比提高了1.280 dB。本文算法对自然雾天图像去雾效果明显, 细节信息和对比度均优于其他算法, 为去雾方法的研究提供了新思路。

高通开发者论坛

2,853

社区成员

5,758

社区内容

发帖

与我相关

我的任务

人工智能物联网机器学习技术论坛（原bbs）北京·东城区

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章