信息内容安全管理及应用教学课件(共12章)第八章基于深度学习的图像处理.pptxVIP

第八章 基于深度学习的图像处理;目录 Contents;基于深度学习的图像处理 神经网络的起源与发展;第一阶段：20 世纪 40 年代到 60 年代，出现了最早的神经网络雏形； 第二阶段：20 世纪 80 年代到 90 年代，多层感知机及反向传播算法出现； 第三阶段：21世纪到如今，随着计算机CPU计算性能的大幅度提升，GPU计算能力不断突破，神经网络深度结构的突破性创新，深度学习开始出现。 ;1943年， McCulloch和Pitts的工作被视为神经网络的开山之作 最早的神经网络是仿神经元建立的，该论文的主要贡献是将生物神经系统归纳为“M-P神经元模型”。;1. 细胞体(soma)：细胞体即神经元的控制中心，细胞核所在。细胞体的边界是细胞膜，细胞膜将膜内外细胞液分开，膜内外存在离子浓度差，所以会出现电位差，这种电位差称为膜电位。 2. 树突(dendron)：突触的其中一种。从细胞体向外延伸出很多树突，负责接受来自其他神经元的信号，相当于神经元的输入端。;神经元的多个树突接受传入信息，经过计算产生信号到轴突，轴突只有一条，轴突尾端许多轴突末梢可给其他神经元传递信息，轴突末梢跟其他神经元的树突传递信号。 一个神经元接入了多个输入，最终只变成一个输出给到了后面的神经元，;如图所示感知机将 x1 、 x2 、 1 三个信号作为y的输入，将其和各自的权重相乘后，计算这些加权信号的总和。如果这个总和超过 0，则输出 1，否则输出 0。 作为一种线性分类器，感知器可说是最简单的前向人工神经网络形式。 感知器主要的本质缺陷是它不能处理线性不可分问题和异或问题，这一问题也导致了70年代领域研究一度陷入低谷。;20 世纪 80 年代，神经网络研究的第二次浪潮随着反向传播及一系列相关技术出现了。反向传播是训练学习能力更强的多层感知机的基础。 单层感知器只能学习线性函数，而多层感知器也可以学习非线性函数。 曾经人们普遍认为深度网络是难以训练的。20 世纪 80 年代就存在的算法能工作得非常好，但是直到 2006 年前后都没有体现出来。这可能仅仅由于其计算代价太高，而以当时可用的硬件难以进行足够的实验。;神经网络研究的第三次浪潮始于 2006 年的突破。Geoffrey Hinton 表明名为“深度信念网络”的神经网络可以使用一种称为“贪婪逐层预训练”的策略来有效地训练神经网络 这一次浪潮普及了“深度学习”这一术语，强调研究者现在有能力训练以前不可能训练的比较深的神经网络 在这一时期卷积神经网络（CNN）得到了重大的发展。在原来多层神经网络的基础上，加入了特征学习部分，这部分是模仿人脑对信号处理上的分级的。 2012年，Alex Krizhevsky发表了AlexNet，LeNet更深、更广的版本。Alexnet利用了大数据集，GPU训练等多种手段，这些技术手段都成为后来深度学习的重要标杆。;2014年，Ian Goodfellow提出了GAN的概念：一个深度网络尝试创造它认为真实的图像，另一个深度网络负责分析创建的样本并尝试确定该样本究竟是真实的还是凭空创建的。 由于第二个深度网络努力学习如何区分真实的图像与假的生成的图像，所以第一个深度网络在对抗之中将会逐渐学会模仿真实图像。 这种方式是一个单独的深度网络无法完成的。此后有关研究GAN的论文便如雨后春笋般涌现，这一对抗思想也是深度学习中一股重要的潮流。;第八章 基于深度学习的图像处理;目录 Contents;基于深度学习的图像处理 常见图像处理深度学习网络介绍;常见图像处理深度学习网络介绍;常见图像处理深度学习网络介绍;常见图像处理深度学习网络介绍;常见图像处理深度学习网络介绍;常见图像处理深度学习网络介绍;常见图像处理深度学习网络介绍;常见图像处理深度学习网络介绍;常见图像处理深度学习网络介绍;常见图像处理深度学习网络介绍;常见图像处理深度学习网络介绍;常见图像处理深度学习网络介绍;常见图像处理深度学习网络介绍;常见图像处理深度学习网络介绍;常见图像处理深度学习网络介绍;第八章 基于深度学习的图像处理;目录 Contents;基于深度学习的图像处理 GAN在人脸图象伪造中的应用;GAN在人脸图象伪造中的应用;GAN在人脸图象伪造中的应用;GAN在人脸图象伪造中的应用;GAN在人脸图象伪造中的应用;GAN在人脸图象伪造中的应用;GAN在人脸图象伪造中的应用;第八章 基于深度学习的图像处理;目录 Contents;基于深度学习的图像处理 CNN在真伪图片识别中的应用;CNN在真伪图片识别中的应用;CNN在真伪图片识别中的应用;CNN在真伪图片识别中的应用;基于深度学习的图像处理 本章小结;本章小结;第8章完结第八章 基于深度学习的图像处理;目录 Contents;基于深度学习的图像处理 神经网