AIGC实战和智能体开发 课件 项目5 任务1 认识卷积神经网络

认识卷积神经网络（CNN）目录车牌识别的应用场景卷积神经网络（CNN）CONTENTS深度学习车牌识别的应用场景PARTPOWERPOINTDESIGN01车牌识别在智能交通的发展中，车牌识别技术越来越重要，从高速公路的自动收费，到停车场的车辆管理，再到城市交通监控与违法车辆追踪，车牌识别系统的应用场景极为广泛。准确且高效的车牌识别，能够显著提升交通管理的效率，降低人力成本，加强城市的安防能力。车牌识别车牌识别车牌识别作为图像识别的一个重要应用场景，对于智能交通、安防监控等领域具有重要意义。国家高度重视人工智能与相关技术的发展，积极推动智能交通等领域的创新应用，鼓励培养掌握深度学习技术的专业人才。车牌识别深度学习PARTPOWERPOINTDESIGN02深度学习深度学习作为人工智能领域的核心技术，正深刻地改变着我们的生活和工作方式。卷积神经网络（CNN）作为深度学习的重要分支，在图像识别、目标检测等领域取得了巨大的成功。深度学习卷积神经网络（CNN）PARTPOWERPOINTDESIGN03CNN随着深度学习技术的飞速发展，卷积神经网络（CNN）展现了强大的特征学习与模式识别能力。CNN能自主从大量数据中学习到图像的特征。在图像识别领域，CNN已经取得了一系列突破性的成果，为车牌识别技术的革新带来了新的方向。卷积神经网络任务实现请带着以下问题阅读材料A：（1）卷积神经网络主要包含那几个关键环节？

1、卷积神经网络【材料A】卷积神经网络的主要关键环节卷积神经网络（CNN）是一种深度学习的模型，通过使用卷积层ConvolutionLayer（卷积核）来提取图像数据的局部特征，然后通过池化层（PoolingLayer）来降低特征的空间维度，缩小图片尺寸，最后通过全连接层（FullyConnectedLayer）进行分类或回归任务，从而自动提取数据中的特征。例如，在车牌识别系统中，CNN能够从车牌图像中提取关键特征，如字符、数字和位置等，用于识别不同的车牌。任务实现请带着以下问题阅读材料B：（1）什么是卷积层，卷积核又是什么？卷积核是唯一的吗？

（2）卷积核是从何而来？

2、卷积层任务实现如图所示，将左侧方格灰色灰色部分，与中间方格位置对应的数值，分别相乘后，再相加，把得到的最终结果，填到右侧方格（灰底）的位置，该数值为______(3)、卷积运算1任务实现如图所示，左侧方格的灰色部分，往右移一格，按步骤（3）的方法，把结果填到右侧方格（灰底）的位置，该数值为______(4)、卷积运算2【材料B】卷积层卷积层是卷积神经网络的核心部分，卷积层通过使用小的特征提取器（卷积核）在输入数据（如图像）上滑动来提取特征。比如一个3*3的卷积核在一张图像的像素点上滑动，它在每个位置上都与原图像对应的像素点相乘再相加，这个过程称为卷积运算，得到新的像素点，最终得到新的图像数据。【材料B】卷积层卷积核可以理解为：卷积核=某个特征，它可以把图中对应的特征找出来，如果图像没有这个特征，表示原图中不包含卷积核所具有的特征。卷积核在原图像的滑动位置（灰底）顺序如图所示：【材料B】卷积层打个比方，有一个卷积核（具备人眼的特征），在原图像中滑动扫描（卷积），图中有眼睛的特征就会被提取出来，如下图所示。【材料B】卷积层上面的例子只有一个卷积核，对于人脸识别、车牌识别中，包含那么多信息，仅凭一个卷积核可以把图片的特征都提取出来吗？答案是不能。只能通过训练，用几百万张图片的大数据方法对图片（人脸）进行神经网络的训练，得到一个结果，跟真实的图片进行对比，例如要识别人脸，但神经网络识别出的是一只狗，计算机会进行误差的计算(损失函数)，继续通过修改卷积核的参数，修改全链接的权重，不断地学习、训练，计算机自动就学会了采用哪些卷积核，每个神经元的权重是多少，自动就学会了识别，这就是机器学习。当找到损失函数的最小值时，就成功了。所以卷积核不是唯一的，有多个，它也不是人为定义的，是通过机器学习、训练得来的。任务实现请带着以下问题阅读材料C：（1）请选出左边每个框（4个数）的最大值，填入右边的对应位置，如例子图所示：

3、池化层任务实现请带着以下问题阅读材料C：（2）请选出左边每个框（4个数）的平均值，填入右边的对应位置，如例子图所示：

3、池化层【材料C】池化层池化层的作用是什么呢？在自动驾驶中，传感器的相应速度和准确率非常的关键，汽车要马上识别前方的行人或者障碍物，运算量是非常大的，那就要把图像缩小，这就是我们所说的池化。池化可以在保留原图特征的同时，还能把图片的尺寸降下来。池化一般有两种方式：最大值池化、平均值池化，常用的是最大值池化。如下图5-1-8所示，把卷积后的图像，进行最大值池化。任务实现请带着以下问题阅读材料D：根据下图提示，你觉得计算机最终会输出哪个字符？

4、全连接层【材料D】全连接层全连接层（FullyConnectedLayer）作为最后一层，每个神经元都与上一层的所有神经元相连，将前面提取到的特征映射到具体的类别标签输出。比如在车牌识别中，全连接层会把之前提取的数字特征分到到0-9这十个类别上，输出每个数字的概率，把概率最大的结果进行输出。我们可以这样理解，全连接层之前的步骤主要是提取