Image processing CNN与gabor滤波器的关系
我正在学习使用gabor滤波器从图像中提取与方向和比例相关的特征。另一方面,卷积神经网络也可以提取包括方向和尺度在内的特征,有没有证据表明CNN中的滤波器与gabor滤波器具有类似的功能?或者两者的优缺点。以我个人的经验,在传统的深度学习体系结构(如AlexNet)中,当接近开始的层被可视化时,它们非常类似于gabor过滤器 以预训练AlexNet的前两层为例(取自Andrej Karpathy的cs231n.github.io)。一些学习的滤波器看起来与Gabor滤波器完全相同。因此,是的,有证据表明CNN的工作方式(部分)与Gabor滤波器相同 一种可能的解释是,由于朝向深CNN开始的层用于提取低级特征(例如纹理的变化),因此它们执行与Gabor滤波器相同的功能。诸如检测频率变化的特征是如此基本,以至于无论模型训练的数据集类型如何,它们都存在。(迁移学习之所以可能的部分原因) 但是如果你有更多的数据,你可以让CNN深入了解比Gabor滤波器更多的高级特征,这对于你提取这些特征的任务(比如分类)可能更有用。我希望这能提供一些澄清Image processing CNN与gabor滤波器的关系,image-processing,conv-neural-network,wavelet,gabor-filter,Image Processing,Conv Neural Network,Wavelet,Gabor Filter,我正在学习使用gabor滤波器从图像中提取与方向和比例相关的特征。另一方面,卷积神经网络也可以提取包括方向和尺度在内的特征,有没有证据表明CNN中的滤波器与gabor滤波器具有类似的功能?或者两者的优缺点。以我个人的经验,在传统的深度学习体系结构(如AlexNet)中,当接近开始的层被可视化时,它们非常类似于gabor过滤器 以预训练AlexNet的前两层为例(取自Andrej Karpathy的cs231n.github.io)。一些学习的滤波器看起来与Gabor滤波器完全相同。因此,是的,