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

如何使用Gabor滤波器从图像中提取特征？

Gabor滤波器是一种在图像处理中常用的特征提取方法，它可以用于检测图像中的纹理、边缘和频率等特征。下面是使用Gabor滤波器从图像中提取特征的步骤：

首先，了解Gabor滤波器的原理。Gabor滤波器是一种基于Gabor函数的滤波器，它模拟了人类视觉系统中的简单细胞的响应特性。Gabor函数是一个复数函数，具有正弦波和高斯分布的特性，可以用于描述图像的纹理和边缘。
确定Gabor滤波器的参数。Gabor滤波器有多个参数需要设置，包括尺度（scale）、方向（orientation）、频率（frequency）和带宽（bandwidth）等。这些参数的选择会影响到滤波器的性能和特征提取的效果。
对输入图像进行Gabor滤波。将输入图像与一组Gabor滤波器进行卷积操作，得到一组滤波响应图像。每个滤波响应图像对应一个Gabor滤波器的输出，反映了图像在不同尺度、方向和频率上的特征响应。
对滤波响应图像进行特征提取。可以使用各种特征提取方法，如统计特征、频域特征或基于机器学习的方法，从滤波响应图像中提取出有用的特征。这些特征可以用于图像分类、目标检测、人脸识别等应用。
应用场景：Gabor滤波器在计算机视觉领域有广泛的应用，包括纹理分析、边缘检测、人脸识别、指纹识别等。它可以帮助提取图像中的纹理特征，从而实现对图像的分析和理解。
推荐的腾讯云相关产品：腾讯云提供了一系列与图像处理相关的产品和服务，如人脸识别（https://cloud.tencent.com/product/fr）、图像识别（https://cloud.tencent.com/product/ai_image）、图像处理（https://cloud.tencent.com/product/imagemoderation）等。这些产品可以帮助开发者快速实现图像处理和特征提取的功能。

总结：使用Gabor滤波器从图像中提取特征的过程包括了了解Gabor滤波器原理、确定参数、进行滤波操作、提取特征等步骤。腾讯云提供了一系列与图像处理相关的产品和服务，可以帮助开发者实现图像处理和特征提取的功能。

相关搜索:从决策树中提取使用的列名/特征从数组中提取ID特征后，如何增加ID 使用OpenCV从背景中裁剪图像(条带提取)使用Python从pdf中提取图像使用Rvest从web中提取图像使用UiPath从图像中提取文本使用跟踪URI从Spotify提取音频特征如何从图像中提取文本如何从图像中检测和提取符号如何从图像中逐行提取数字？

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

Gabor 滤波

https://developer-public-1258344699.cos.ap-guangzhou.myqcloud.com/column/column/10335061/20230218-68017941.png

03

Iris: 比ScanContext更加精确高效的激光回环检测方法（IROS 2020）

代码已开源: https://github.com/JoestarK/LiDAR-Iris

02

Iris: 比ScanContext更加精确高效的激光回环检测方法（IROS 2020）

代码已开源: https://github.com/JoestarK/LiDAR-Iris

02

python实现gabor滤波器提取纹理特征提取指静脉纹理特征指静脉切割代码

参考博客：https://blog.csdn.net/xue_wenyuan/article/details/51533953 https://blog.csdn.net/jinshengtao/article/details/17797641 傅里叶变换是一种信号处理中的有力工具，可以帮助我们将图像从空域转换到频域，并提取到空域上不易提取的特征。但是经过傅里叶变换后，　　图像在不同位置的频度特征往往混合在一起，但是Gabor滤波器却可以抽取空间局部频度特征，是一种有效的纹理检测工具。在图像处理中，G

05

python实现gabor滤波器提取纹理特征提取指静脉纹理特征指静脉切割代码

参考博客： https://blog.csdn.net/xue_wenyuan/article/details/51533953 https://blog.csdn.net/jinshengtao/article/details/17797641 傅里叶变换是一种信号处理中的有力工具，可以帮助我们将图像从空域转换到频域，并提取到空域上不易提取的特征。但是经过傅里叶变换后，　　图像在不同位置的频度特征往往混合在一起，但是Gabor滤波器却可以抽取空间局部频度特征，是一种有效的纹理检测工具。在图像处理中

05

南开提出全新ViT | Focal ViT融会贯通Gabor滤波器，实现ResNet18相同参数，精度超8.6%

自从Vision Transformer（ViT）的开创性工作以来，视觉 Transformer 在诸如图像分类、目标检测和语义分割等各种计算机视觉任务中取得了令人瞩目的进展。它们为这些任务提供了新的模式和解决方案，同时打破了卷积神经网络（CNNs）在计算机视觉领域的垄断。普遍认为，自注意力是 Transformer 成功的关键。这种注意力机制能够同时建模输入序列中不同位置之间的关系，在全局特征交互和长距离依赖提取方面表现出色。

01

OpenCV Gabor滤波器实现纹理提取与缺陷分析

Gabor滤波器是OpenCV中非常强大一种滤波器，广泛应用在纹理分割、对象检测、图像分维、文档分析、边缘检测、生物特征识别、图像编码与内容描述等方面。Gabor在空间域可以看做是一个特定频率与方向的正弦平面加上一个应用在正弦平面波上的高斯核

05

从傅立叶变换到Gabor滤波器

作者：夏　敏编辑：李文臣 PART 01 gabor介绍 gabor特征首先我们介绍下Gabor 特征，它是一种可以用来描述图像纹理信息的特征，Gabor 滤波器的频率和方向与人类的视觉系统类似，特别适合于纹理表示与判别。它主要依靠 Gabor 核在频率域上对信号进行加窗，从而能描述信号的局部频率信息。而Gabor 核靠傅里叶变换，我们才能将信号转换到频率域，才能让Gabor核在频率域去加窗。而在原本的空间域中，一个 Gabor 核实际上就是一个高斯核与正弦波调制的结果，可以看做是高斯核应用在了正弦

08

计算机视觉中的滤波

这两种分类方式并不是割裂的，而是互相交叉的，用于图像处理的滤波器也有线性、非线性、自适应之分。

03

AI综述专栏 | 掌纹识别近十年进展综述

在科学研究中，从方法论上来讲，都应先见森林，再见树木。当前，人工智能科技迅猛发展，万木争荣，更应系统梳理脉络。为此，我们特别精选国内外优秀的综述论文，开辟“综述”专栏，敬请关注。

02

纹理分析及其在医学成像中的应用

纹理分析是一种量化图像强度变化的图像分析技术。的基本原理，以及它们的优点、缺点和应用。这项研究的重点是收集和分析近50年来有关纹理分析的研究，简要描述了不同的方法，并给出了应用实例。鉴于纹理分析应用广泛，本研究主要集中在生物医学图像分析领域，并整理了一份最新的生物组织和器官相关的疾病产生的纹理变化的列表，可用于查阅疾病的发病和进展。最后，总结了纹理分析方法作为疾病生物标记物的作用。本文发表在IEEE REVIEWS IN BIOMEDICAL ENGINEERING杂志。

07

大会 | AAAI 2018论文：视频语义理解的类脑智能

AI 科技评论按：近日，美图云视觉技术部门与中科院自动化所共同合作研发，提出一种基于类脑智能的无监督的视频特征学习和行为识别的方法 NOASSOM (Hierarchical Nonlinear Orthogonal Adaptive-Subspace Self-Organizing Map based Feature Extraction for Human Action Recognition)，该方法不依赖于标签信息，可以自适应地、无监督地学到视频的特征表示，相关成果已发表在 AAAI 2018 上，

07

图像处理初学者应该学习的100个问题-你都学会了吗？

本文整理了图像处理初学者应该需要了解的100个基础问题，涉及读取、显示图像、操作像素、拷贝图像、保存图像、灰度化（Grayscale）、二值化（Thresholding）、大津算法、HSV 变换、减色处理、平均池化（Average Pooling）、最大池化（Max Pooling）、高斯滤波（Gaussian Filter）、中值滤波（Median filter）、仿射变换（Afine Transformations）等100多个知识点。

05

打开神经网络的黑箱子

每个卷积核提取不同的特征。每个卷积核对输入进行卷积，生成一个feature map，这个feature map即体现了该卷积核从输入中提取的特征，不同的feature map显示了图像中不同的特征。

01

论文Express | 美图云+中科院AAAI2018：视频语义理解的类脑智能

大数据文摘作品近日，美图云视觉技术部门与中科院自动化所共同合作研发，提出一种基于类脑智能的无监督的视频特征学习和行为识别的方法NOASSOM (Nonlinear Orthogonal Adaptive-Subspace Self-Organizing Map)，该方法不依赖于标签信息，可以自适应地、无监督地学到视频的特征表示，相关成果已发表在AAAI2018。大数据文摘就NOASSOM算法对美图云相关负责人进行了采访，针对NOASSOM效率问题，美图云告诉大数据文摘，NOASSOM由于引入核函数，在模

02

中科视拓获数千万pre-A轮融资，机器之心专访山世光

机器之心原创作者：邱陆陆 10 月10日，中科视拓对外公布，获得安赐资本领投的数千万元 pre-A 轮融资。这是去年秋天中科视拓宣布成立，并获得线性资本领投的千万级天使轮融资后，首次公开融资消息。去年初秋，中科院人脸识别专业研究员山世光携千万级天使融资创业的消息引发了人工智能领域内一次不小的震动，如今整整一年过去了，人脸识别领域繁盛如烈火烹油，而中科视拓这家静水深流的公司却并未给我们太多机会得以一窥其庐山真面目。9 月，机器之心来到中科视拓，与「学者山世光」聊了聊人脸识别学界 20 年里走过的万水千山和

06

【短道速滑十一】标准的Gabor滤波器及Log_Gabor滤波器的实现、解析、速度优化及其和Halcon中gen_gabor的比较。

最近有朋友在研究Halcon中gen_gabor的函数，和我探讨，因为我之前也没有怎么去关注这个函数，因此，前前后后大概也折腾了有一个星期去模拟实现这个东西，虽然最终没有实现这个函数，但是也是有所收获，这里做一点总结，也算是最这个函数有个完美的收尾吧。

02

综述 | 机器视觉表面缺陷检测

中国是一个制造大国，每天都要生产大量的工业产品。用户和生产企业对产品质量的要求越来越高，除要求满足使用性能外，还要有良好的外观，即良好的表面质量。但是，在制造产品的过程中，表面缺陷的产生往往是不可避免的。不同产品的表面缺陷有着不同的定义和类型，一般而言表面缺陷是产品表面局部物理或化学性质不均匀的区域，如金属表面的划痕、斑点、孔洞，纸张表面的色差、压痕，玻璃等非金属表面的夹杂、破损、污点，等等。表面缺陷不仅影响产品的美观和舒适度，而且一般也会对其使用性能带来不良影响，所以生产企业对产品的表面缺陷检测非常重视，以便及时发现，从而有效控制产品质量，还可以根据检测结果分析生产工艺中存在的某些问题，从而杜绝或减少缺陷品的产生，同时防止潜在的贸易纠份，维护企业荣誉。

03

机器视觉表面缺陷检测综述

中国是一个制造大国，每天都要生产大量的工业产品。用户和生产企业对产品质量的要求越来越高，除要求满足使用性能外，还要有良好的外观，即良好的表面质量。但是，在制造产品的过程中，表面缺陷的产生往往是不可避免的。不同产品的表面缺陷有着不同的定义和类型，一般而言表面缺陷是产品表面局部物理或化学性质不均匀的区域，如金属表面的划痕、斑点、孔洞，纸张表面的色差、压痕，玻璃等非金属表面的夹杂、破损、污点，等等。表面缺陷不仅影响产品的美观和舒适度，而且一般也会对其使用性能带来不良影响，所以生产企业对产品的表面缺陷检测非常重视，以便及时发现，从而有效控制产品质量，还可以根据检测结果分析生产工艺中存在的某些问题，从而杜绝或减少缺陷品的产生，同时防止潜在的贸易纠份，维护企业荣誉。

02

纹理图像分析的基本方法简述

纹理是物体表面固有的一种特性，所以图像中的区域常体现出纹理性质。纹理可以认为是灰度（颜色）在空间以一定的形式变化而产生的团（模式）。纹理与尺度有密切的关系，一般仅在一定的尺度上可以观察到，对纹理的分析需要在恰当的尺度上进行。纹理还具有区域性质的特点，通常被看做对局部区域中像素之间关系的一种度量，对于单个像素来说讨论纹理是没有意义的。一把情况下目前常用的纹理分析方法中有以下三种：统计法，结构法，频谱法。下面分别介绍。 1. 纹理描述的统计方法最简单的统计法借助于灰度直方图的矩来描述纹理，比如直方图的二阶矩是

纹理图像分割的常用方法概述

纹理图像在局部区域内呈现了不规则性，而在整体上表现出某种规律性。纹理基元的排列可能是随机的，也可能是相互之间互相依赖，这种依赖性可能是有结构的，也可能是按某种概率分布排列的，也可能是某种函数形式。图像

重要信息：视觉显著性检测技术在辅助驾驶中的应用

视觉显著性检测技术是一种计算机视觉算法，它能够识别图像或视频中最为显著或最容易吸引人类视觉注意的区域。在辅助驾驶系统中，这项技术可以用来识别和优先处理对驾驶安全至关重要的视觉信息，如行人、交通标志、潜在障碍物等。本文将探讨视觉显著性检测技术的原理、在辅助驾驶中的应用，以及面临的挑战和未来的发展方向。

00

屏下指纹介绍

光学指纹当前随着成本的下降，各大厂商都在低中高端旗舰用上了光学指纹。有别于传统的电容指纹，光学指纹在解锁性能上目前都进行了优化，性能接近电容指纹。

02

一份完全解读：是什么使神经网络变成图神经网络？

图1：来自(Bruna等人，ICLR，2014)的图，描绘了3D领域内的MNIST图像。虽然卷积网络很难对球面数据进行分类，但是图网络可以很自然地处理它。可以把它当做是一个处理工具，但在实际应用程序中会出现许多类似的任务。

05

干货 | 清华大学冯建江：指纹识别现状与研究进展

AI 科技评论按：2018 年 4 月 14 日-15 日，中国图象图形学学会围绕「生物特征识别」这一主题，在中科院自动化所举办第四期「CSIG 图像图形学科前沿讲习班」。

04

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

指纹识别系统概述

毕业设计完成于2012年，现阶段关于图像的东西都是走神经网络了，本文仅可以作为背景知识和简单的课程设计参考,本文另附一个MFC演示程序见文末下载链接

05

简简单单用OpenCV让一只小猫咪变成奶凶奶凶的科技猫

下面将会一步一步演示，并详细分析内部的原因，会尽量用清晰直观的方式，让大家去理解，以收获更多的知识！

01

化秋毫为波澜:运动放大算法(深度学习版)

运动放大(Motion Magnification)，将视频中对应位置的运动进行放大，简单理解的话，就是找到时间段内的运动矢量，进行放大，然后权值叠加回去。

02

小波系数

1. 求小波变化系数时a b怎么取? 小波变换的概念是由法国从事石油信号处理的工程师J.Morlet在1974年首先提出的，通过物理的直观和信号处理的实际需要经验的建立了反演公式，当时未能得到数学家的

08

深度学习之GoogLeNet解读

始于LeNet-5，一个有着标准的堆叠式卷积层冰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。

03

基于MRI医学图像的脑肿瘤分级

本文对近年来脑磁共振（MR）图像分割和肿瘤分级分类技术进行概述。文章强调了早期发现脑肿瘤及其分级的必要性。在磁共振成像（MRI）中，肿瘤可能看起来很清楚，但医生需要对肿瘤区域进行量化，以便进一步治疗。数字图像处理方法和机器学习有助于医生进一步诊断、治疗、手术前后的决策，从而发挥放射科医生和计算机数据处理之间的协同作用。本文旨在回顾以胶质瘤（包括星形细胞瘤）为靶点的肿瘤患者的脑部MR图像分割和分类的最新进展。阐述了用于肿瘤特征提取和分级的方法，这些方法可以整合到标准临床成像协议中。最后，对该技术的现状、未来发展和趋势进行了评估。本文发表在Biomedical Signal Processing and Control杂志。

03

深度学习图像中的像素级语义识别

（1）基于对象的场景分类：这种分类方法以对象为识别单位，根据场景中出现的特定对象来区分不同的场景；基于视觉的场景分类方法大部分都是以对象为单位的，也就是说，通过识别一些有代表性的对象来确定自然界的位置。典型的基于对象的场景分类方法有以下的中间步骤：

02

化秋毫为波澜:运动放大算法(深度学习版)

运动放大(Motion Magnification)，将视频中对应位置的运动进行放大，简单理解的话，就是找到时间段内的运动矢量，进行放大，然后权值叠加回去。

06

学术 | 一种新的CNN网络可以更高效地区分自然图像生成图像

作者 | Weize Quan , Kai Wang, Dong-Ming Yan , Xiaopeng Zhang

01

眼神科技CTO江武明：多模态统一身份认证——数字化的入口和枢纽｜量子位·视点分享回顾

视点发自凹非寺量子位 | 公众号 QbitAI 近年来，指纹、人脸、虹膜等生物识别技术，在智慧城市、治安治理、民生服务等行业广泛应用，为民众带来安全便捷同时，也助力了产业智能升级和降本增效。其中生物识别技术作为人与数字资产关联的基础技术，是数字化的入口和枢纽。随着产业数字化和电子证照应用的提振加速，面对海量数据下的高安全与强隐私需求，单模态生物识别技术略显“乏力”。与此同时，经历了近十年飞速发展的人工智能，作为赋能型技术，正需要找到适应的行业和场景体现出其独特的价值。那么，数字时代的增强身份认证

02

在图像的傅里叶变换中,什么是基本图像_傅立叶变换

大家好，又见面了，我是你们的朋友全栈君。从现代数学的眼光来看，傅里叶变换是一种特殊的积分变换。它能将满足一定条件的某个函数表示成正弦基函数的线性组合或者积分。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。傅立叶变换属于调和分析的内容。”分析”二字，可以解释为深入的研究。从字面上来看，”分析”二字，实际就是”条分缕析”而已。它通过对函数的”条分缕析”来达到对复杂函数的深入理解和研究。从哲学上看，”分析主义”和”还原主义”，就是要通过对事物内部适当的分析达到增进对其本质理解的目的。比如近代原子论试图把世界上所有物质的本源分析为原子，而原子不过数百种而已，相对物质世界的无限丰富，这种分析和分类无疑为认识事物的各种性质提供了很好的手段。在数学领域，也是这样，尽管最初傅立叶分析是作为热过程的解析分析的工具，但是其思想方法仍然具有典型的还原论和分析主义的特征。”任意”的函数通过一定的分解，都能够表示为正弦函数的线性组合的形式，而正弦函数在物理上是被充分研究而相对简单的函数类，这一想法跟化学上的原子论想法何其相似！奇妙的是,现代数学发现傅立叶变换具有非常好的性质,使得它如此的好用和有用,让人不得不感叹造物的神奇: 1. 傅立叶变换是线性算子,若赋予适当的范数,它还是酉算子; 2. 傅立叶变换的逆变换容易求出,而且形式与正变换非常类似; 3. 正弦基函数是微分运算的本征函数,从而使得线性微分方程的求解可以转化为常系数的代数方程的求解.在线性时不变的物理系统内,频率是个不变的性质,从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取; 4. 著名的卷积定理指出:傅立叶变换可以化复杂的卷积运算为简单的乘积运算,从而提供了计算卷积的一种简单手段; 5. 离散形式的傅立叶变换可以利用数字计算机快速的算出(其算法称为快速傅立叶变换算法(FFT)). 正是由于上述的良好性质,傅里叶变换在物理学、数论、组合数学、信号处理、概率、统计、密码学、声学、光学等领域都有着广泛的应用。傅立叶变换在图像处理中有非常非常的作用

01

基于深度卷积神经网络的图像超分辨率重建（SRCNN）学习笔记

目前，单幅图像的超分辨率重建大多都是基于样本学习的，如稀疏编码就是典型的方法之一。这种方法一般先对图像进行特征提取，然后编码成一个低分辨率字典，稀疏系数传到高分辨率字典中重建高分辨率部分，然后将这些部分汇聚作为输出。以往的SR方法都关注学习和优化字典或者建立模型，很少去优化或者考虑统一的优化框架。为了解决上述问题，本文中提出了一种深度卷积神经网络（SRCNN），即一种LR到HR的端对端映射，具有如下性质： ①结构简单，与其他现有方法相比具有优越的正确性，对比结果如下： ②滤波器和层的数量适中，即使在CPU上运行速度也比较快，因为它是一个前馈网络，而且在使用时不用管优化问题； ③实验证明，该网络的复原质量可以在大的数据集或者大的模型中进一步提高。本文的主要贡献：（1）我们提出了一个卷积神经网络用于图像超分辨率重建，这个网络直接学习LR到HR图像之间端对端映射，几乎没有优化后的前后期处理。（2）将深度学习的SR方法与基于传统的稀疏编码相结合，为网络结构的设计提供指导。（3）深度学习在超分辨率问题上能取得较好的质量和速度。图1展示了本文中的方法与其他方法的对比结果：

02

深度判别和共享特征学习的图像分类

秋雨思童年，落花念爱霖！一场秋雨的洗礼，让我们进入了真正能感觉得到的秋季。秋季是丰收的季节，不知朋友您收获如何？但是我相信您一定硕果累累，满载着各种成果、业绩和快乐继续向下一个目标努力前行。 ----

07

深度判别和共享特征学习的图像分类

秋雨思童年，落花念爱霖！一场秋雨的洗礼，让我们进入了真正能感觉得到的秋季。秋季是丰收的季节，不知朋友您收获如何？但是我相信您一定硕果累累，满载着各种成果、业绩和快乐继续向下一个目标努力前行。

03

用 Pytorch 理解卷积网络

原标题 | CONVOLUTIONAL NEURAL NETWORKS EXPLAINED: USING PYTORCH TO UNDERSTAND CNNS

02

非常详细 | 用 Pytorch 理解卷积网络

在当今时代，机器在理解和识别图像中的特征和目标方面已经成功实现了99％的精度。我们每天都会看到这种情况-智能手机可以识别相机中的面部；使用Google图片搜索特定照片的能力；从条形码或书籍中扫描文本。借助卷积神经网络（CNN），这一切都是可能的，卷积神经网络是一种特定类型的神经网络，也称为卷积网络。

03

ython打造智能车牌识别系统，实现快速准确的车辆识别与追踪技术

车牌识别技术是智能交通系统中的重要组成部分，它可以对车辆的行驶轨迹进行跟踪和记录，为交通管理提供重要的数据支持。

05

卷积神经网络特征图的可视化(CNN)

卷积神经网络(CNN)是一种神经网络，通常用于图像分类、目标检测和其他计算机视觉任务。CNN的关键组件之一是特征图，它是通过对图像应用卷积滤波器生成的输入图像的表示。

02

纹理分析以及结合深度学习来提升纹理分类效果

来源：AI 公园本文约6400字，建议阅读10+分钟本文为你介绍纹理分析及各种分析方法，并结合深度学习提升纹理分类。人工智能的一个独特应用领域是帮助验证和评估材料和产品的质量。在IBM，我们开发了创新技术，利用本地移动设备，专业的微型传感器技术，和AI，提供实时、解决方案，利用智能手机技术，来代替易于出错的视觉检查设备和实验室里昂贵的设备。在开发质量和可靠性检查的人工智能能力的同时，产品和材料的图像需要是高清晰度的或者是微观尺度的，因此，设计能够同时代表采样图像的局部和全局独特性的特征变得极为重要

02

Image Super-Resolution Using Deep Convolutional Networks

code: http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html

02

基于TensorFlow和Keras的图像识别

TensorFlow和Keras最常见的用途之一是图像识别/分类。通过本文，您将了解如何使用Keras达到这一目的。

02

全新卷积模块DRConv | 进一步提升卷积的表示能力

得益于强大的表示能力，卷积神经网络（CNN）在图像分类、人脸识别、目标检测和许多其他应用中取得了重大进展。神经网络强大的表示能力源于不同的过滤器负责提取不同抽象级别的信息。然而，当前主流卷积运算以跨空间域的滤波器共享方式执行，因此只有在重复应用这些运算（例如，使用更多滤波器增加通道和深度）时才能捕获更有效的信息。这种重复方式有几个限制。首先，它的计算效率很低。其次，它会导致优化困难。

02

EEGNet：一个小型的卷积神经网络，用于基于脑电的脑机接口

脑机接口(BCI)利用神经活动作为控制信号，可以与计算机直接通信。这种神经信号通常从各种研究充分的脑电图(EEG)信号中选择。对于给定的脑机接口(BCI)范式，特征提取器和分类器是针对其所期望的脑电图控制信号的不同特征而定制的，这限制了其对特定信号的应用。卷积神经网络(Convolutional neural networks， CNNs)已被用于计算机视觉和语音识别中进行自动特征提取和分类，并成功地应用于脑电信号识别中；然而，它们主要应用于单个BCI范例，因此尚不清楚这些架构如何推广到其他范例。在这里，我们想问的是，我们是否可以设计一个单一的CNN架构来准确地分类来自不同BCI范式的脑电图信号，同时尽可能小型的方法。在这项工作中，我们介绍了EEGNet，一个小型的卷积神经网络为基于脑电图的BCI。我们介绍了深度卷积和可分离卷积的使用来构建脑电图特定模型，该模型封装了众所周知的脑机接口脑电图特征提取概念。我们比较了EEGNet，包括被试内和跨被试分类，以及目前最先进的四种BCI范式：P300视觉诱发电位、错误相关负波(ERN)、运动相关皮层电位(MRCP)和感觉运动节律(SMR)。我们表明，当在所有测试范例中只有有限的训练数据可用时，EEGNet比参考算法更好地泛化，并取得了相当高的性能。此外，我们还演示了三种不同的方法来可视化训练过的EEGNet模型的内容，以支持对学习到的特征的解释。意义：我们的结果表明，EEGNet足够鲁棒，可以在一系列BCI任务中学习各种各样的可解释特征。本文发表在Journal of Neural Engineering杂志。

03

面试必备：形象理解深度学习中八大类型卷积

In terms of Neural Networks and Deep Learning: 卷积在神经网络和深度学习方面的特征:

02

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