1樓：
我們之前做的乙個作業是攻擊Haar人臉檢測，他這個是用來搜尋人臉的，就是探測這乙個區域有沒有人臉。後續是做匹配還是別的工作可以根據這個找到的人臉來做。
（後面的再補充吧_(:_」∠)_）
2樓：susode
我是初學者，發表一下拙見。
我只推薦一本老書，岡薩雷斯的《數字影象處理》。
那個計算機運算能力還遠不如現在的時代，人們通過幾步矩陣運算，一樣可以實現模式識別，也一樣可以實現一些濾鏡處理。看完了幾個部分，估計你也能理解每一步卷積到底是在訓練乙個什麼樣的矩陣，結果又會是什麼樣的了。
3樓：
同小白，深度學習的方法可能不好理解。
個人建議如果想理解這個過程，可以回去看一下傳統的方法，基本上就是卷積核，特徵點幾個東西，隨便看一本數字影象的書看個大概就能明白。
傳統的那套效果現在比不上深度學習的方法但是有理論支援，方便理解。
4樓：
最簡單的情況可以是input layer ＋ convolutional layer（提取features）＋flattening ＋ maxpooling。可以參照這個連線的具體演示：http:
//scs.ryerson.ca/~aharley
/vis/conv/flat.html
5樓：Gryffindor
知乎上已經有很多資料了，貼乙個 @機器之心 以前的回答，我覺得應該可以幫助到題主。
CNN(卷積神經網路)是什麼？有入門簡介或文章嗎？ - 知乎
6樓：
說一點影象經常用卷積網路是因為比如
1 1 0
1 1 0
0 0 0
和0 0 0
0 1 1
0 1 1
是一種東西，用普通的演算法可能這是倆東西，卷積處理這倆就一樣了
卷積神經網路中，那個卷積輸出層的通道數 深度 的計算？
小心心 Fig.1影象卷積過程gif 關於這個問題，可能剛接觸卷積神經網路對這個都會有很多誤解。今天就來大體一說，根據從 笑可結緣https 那裡得到的圖 侵刪 一般我們的影象在輸入的時候是有通道的，例如黑白影象是單通道的 input channel 1 rgb是3通道的 如Fig.1所示，inpu...
卷積神經網路和BP神經網路的關係？
乙個維度的BP神經網路就相當於CNN中的全連線了，無非是多幾個全連線，CNN是二維，二維如果搞成全連線就導致運算量巨大，所以有了權重共享，大大減少了運算量，CNN卷積的思想肯定也源於BP神經網路就，在影象上做二維卷積的CNN發出炫目的光芒下，BP神經網路就已經快被人們遺忘了，但是不管CNN再怎麼發展...
卷積神經網路（CNN）和迴圈神經網路 RNN 有什麼區別？
不存在的1990 從字面區分 cnn 裡面的 c指 convolutional operation，是一種提取影象特徵方法。把這一operation加入到layer裡面構成了convolutional layer。rnn裡的r 指recurrent，中文是重複的意思。rnn構造的結構也是recurr...