现代CNN（卷积神经网络）作为检测网是否具有旋转不变性？
众所周知，nVidia DetectNet-用于目标检测的CNN（卷积神经网络）基于Yolo/DenseBox的方法：https://devblogs.nvidia.com/parallelforall/deep-learning-object-detection-digits/
DetectNet是流行的GoogLeNet网络的扩展。这些扩展类似于Yolo和DenseBox论文中采用的方法。
如图所示，DetectNet可以检测任何旋转的物体（汽车）：https://devblogs.nvidia.com/parallelforall/detectnet-deep-neural-network-object-detection-digits/
现代CNN（卷积神经网络）作为检测网是否具有旋转不变性？
我可以在数千个不同的图像上训练DetectNet，其中一个图像具有相同的物体旋转角度，以检测任何旋转角度的物体吗？
以及基于DetectNet的旋转不变量：Yolo、Yolo v2、DenseBox呢？
共有3个答案
Detectron2最近增加了旋转更快的RCNN网络。要创建此类模型，应为具有旋转边界框的车辆创建注释，即：
rbbox = [center_x, center_x, width, height, angle]
例如：
有关更多信息，请访问此链接。
再加上Rob的回答，一般来说，CNN本身是平移不变的，但不是旋转和缩放。但是，并非必须将所有可能的旋转都包含到训练数据中。最大池层将引入旋转不变性。
这张由Franck Dernoncourt发布的图片可能就是您想要的。
其次，关于Kershaw对Rob回答的评论：
CNN对于训练数据中的小水平或垂直移动是不变的，主要是因为最大池。
CNN具有平移不变性的主要原因是卷积。无论特征在图像中的什么位置，过滤器都会提取该特征，因为过滤器将在整个图像中移动。当图像旋转或缩放时，由于特征的像素表示不同，过滤器将失败。
资料来源： Aditya Kumar Praharaj对此链接的回答。
没有啦
在分类问题中，CNN不是旋转不变的。您需要在训练集中包含所有可能的旋转图像。
您可以训练CNN将图像分类为预定义的类别（如果您想像示例中那样检测图像中的多个对象，则需要使用分类器扫描图像的每个位置）。
然而，这是一个目标检测问题，而不仅仅是一个分类问题。
在目标检测问题中，您可以使用滑动窗口方法，但效率极低。取而代之的是简单的CNN其他架构是最先进的。例如：
- 更快的RCNN：https://arxiv.org/pdf/1506.01497.pdf
- YOLO网：https://pjreddie.com/darknet/yolo/
- SSD：https://arxiv.org/pdf/1512.02325.pdf
这些体系结构可以在图像中的任何位置检测对象，但您还必须在训练集中包含具有不同旋转的样本（并且必须使用边界框标记训练集，这非常耗时）。
-
本文向大家介绍TensorFlow实现卷积神经网络CNN，包括了TensorFlow实现卷积神经网络CNN的使用技巧和注意事项，需要的朋友参考一下 一、卷积神经网络CNN简介 卷积神经网络（ConvolutionalNeuralNetwork，CNN）最初是为解决图像识别等问题设计的，CNN现在的应用已经不限于图像和视频，也可用于时间序列信号，比如音频信号和文本数据等。CNN作为一个深度学习架构被
-
最后，我开始学习神经网络，我想知道卷积深度信念网络和卷积网络之间的区别。在这里，有一个类似的问题，但没有确切的答案。我们知道卷积深度信念网络是CNN DBN。所以，我要做一个物体识别。我想知道哪一个比另一个好得多或者它们的复杂性。我搜索了一下，但找不到任何东西，可能是做错了什么。
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz
-
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络
-
首先我们来看看CNN的基本结构。一个常见的CNN例子如下图： 图中是一个图形识别的CNN模型。可以看出最左边的船的图像就是我们的输入层，计算机理解为输入若干个矩阵，这点和DNN基本相同。 接着是卷积层（Convolution Layer）,这个是CNN特有的，我们后面专门来讲。卷积层的激活函数使用的是ReLU。我们在DNN中介绍过ReLU的激活函数，它其实很简单，就是$$ReLU(x) = max
-
本文向大家介绍Numpy实现卷积神经网络(CNN)的示例，包括了Numpy实现卷积神经网络(CNN)的示例的使用技巧和注意事项，需要的朋友参考一下 以上就是Numpy实现卷积神经网络(CNN)的示例的详细内容，更多关于Numpy实现卷积神经网络的资料请关注呐喊教程其它相关文章！