1.CNN基础结构 2.卷积操作细节讲解 3.图像基础知识 4.池化操作 可以不可以模仿人类大脑的这个特点，构造多层的神经网络，较低层的识别初级的图像特征，若干底层特征组成更上一层特征，最终通过多个层级的组合，最终在顶层做出分类呢？ 答案是肯定的，这也是许多深度学习算法（包括CNN）的灵感来源

CVPR2022 - 重新审视池化：你的感受野不是最理想的.doc

生成二维空间 Gabor 函数。 用于生成模型简单的细胞感受野，或用于执行边缘检测。 参数允许指定空间频率、方向、宽度和中心。

现有的高精度目标检测算法依赖于超深的主干网络(如ResNet和Inception),无法满足实时目标检测场景的需要,相反采用轻量级主干网络(如VGG-16和MobileNet)能达到实时目标检测的目的,但会导致检测精度的损失,对小目标的检测效果变差。SSD(Single Shot Multi-Box Detector)算法具有高精度、实时检测的特点。本文以SSD算法的网络结构为基础,通过添加感受野模块增强轻量级主干网络的特征提取能力,同时引入特征融合模块,充分利用深层网络提取语义信息,达到实时目标检测的目的,同时提高算法整体的检测精度和对小目标的检测能力。为进一步验证引入新模块的有效性,本文算法模型在PASCAL VOC2007数据集上进行测试,准确率达到80.5%,相比于原始SSD算法有3.3个百分点的提升,检测速度达到75 frame/s,整体性能优于目前大多数目标检测算法。

matlab无量纲化处理数据代码rf-mono-matlab 这个 repo 包含 Matlab 代码，用于计算能源高效的感受野，以对图像数据集进行编码。 在这段代码进入 GitHub 之前，它出现在我的实验室网站上。 这组最小的 MATLAB 函数将建立一个简单的神经网络来学习感受野。 这些感受野最小化了一个能量函数，它涉及 a) 图像块重建误差，b) 绝对放电率的总和，c) 绝对突触强度的总和。 我们没有明确地这样做，但这可以在贝叶斯框架内解释，其中对突触和放电率的约束代表了参数的一些先验分布。 DATA.mat包含近 50,000 个 16×16 像素图像块的样本，这些样本是从 van Hateren 图像数据库（似乎不再在线提供，但可能在其他地方镜像）中随机采样的。 您当然可以制作自己的一组图像样本，并且代码将适用于您提供的任何大小的图像补丁。 尽管它假设图像块是方形的。 引用我们 此代码是这些论文中使用的代码的最小工作示例。 如果您使用此代码，请引用这两篇论文。 谢谢！ Vincent B、Baddeley R、Troscianko T、Gilchrist I，(2005)

对图像特征提取中的图像感受野部分进行了大致的概括，主要分为以下几个部分，由感受野的介绍，感受野的作用，增大感受野的方法如池化和空洞卷积，对空洞卷积的原理进行了详细的描述。对图像特征提取中的图像感受野部分进行了大致的概括，主要分为以下几个部分，由感受野的介绍，感受野的作用，增大感受野的方法如池化和空洞卷积，对空洞卷积的原理进行了详细的描述，

简单的感受野计算工具，利用Python编写的，界面比较简单

（1）小目标在图像中所占像素很少，经过多层卷积之后提取得到的特不明显，为了改善 YOLOv3 的小目标特征提取性能，通过将原网络模型中经 2 倍降采样的特征图进行卷积分别叠加到第二及第三个残差块的输入端，以此增强浅层特征信息。同时，在第一个 8 倍降采样的特征图后连接 RFB 模块，增强特征提取能力。 (2) 原网络中采用多次步长为 2 卷积操作代替池化层来进行特征图的下采样操作，降低了特征的传递能力。为此，本文借鉴 Dense Net 的思想，采用密集连接的方式将浅层特征图直接传输到深层同尺度卷积层的输入端。这样不仅能增强浅层特征重用能力，而且还可以有效缓解梯度消失问题。 (3) 提出了基于泛化 Io U 的回归损失函数代替原回归损失函数。通过在损失函数中加入锚框与真实框中心点距离相关以及预测框与真实框面积相关的两个惩罚项，使预测框的定位更加准确；并同时解决了两框无交集时的梯度消失的问题。本文基于以上三点改进分别在 PASVAL VOC 数据集和 VEDAI 数据集上与原网络进行对 比实验。训练过程中，在训练批次相同的条件下训练时长相当。实验结果表明，上述三点同时作用于原 YOLOv3 网络时，在小目标检测上具有更低的漏检率，定位更加准确，且检测速度相仿。

针对图像的目标识别问题,采用视觉感知的方法,模拟感受野的分层信息处理机制,并引入神经元间的侧抑制机制,对神经元响应进行筛选,通过检测视觉基本特征的方式识别图像中的目标.算法首先在简单细胞的感受野中对图像进行预处理;其次,在复杂细胞的感受野中,将简单细胞的感受野刺激进一步拓扑特征提取,得到感受野刺激响应;最后,通过侧抑制机制对响应神经元筛选,找出对刺激响应较强烈的神经元,将其输出作为目标识别的参数标准.实验结果表明,基于视觉感知的算法可以用少量样本解决大量图像中的目标识别问题,识别率高于边缘检测和图像分割方法,算法的目标识别率达到95.56%.

通过学习双目感受野特性对立体图像进行全参考质量评估