Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lernen Flattening | Convolutional Neural Networks
Grundlagen der Computer Vision

bookFlattening

Übergang von der Merkmalsextraktion zur Klassifikation

Nachdem Faltungs- und Pooling-Schichten wesentliche Merkmale aus einem Bild extrahiert haben, folgt in einem Convolutional Neural Network (CNN) der Schritt der Klassifikation. Da vollständig verbundene Schichten eine eindimensionale Eingabe benötigen, müssen die mehrdimensionalen Merkmalskarten in ein für die Klassifikation geeignetes Format umgewandelt werden.

Umwandlung von Merkmalskarten in einen 1D-Vektor

Flattening ist der Prozess, bei dem die Ausgaben der Faltungs- und Pooling-Schichten in einen einzigen langen Vektor umgeformt werden. Hat eine Merkmalskarte die Dimensionen X × Y × Z, wandelt Flattening diese in ein 1D array der Länge X × Y × Z um.

Beispielsweise wird eine finale Merkmalskarte mit den Dimensionen 7 × 7 × 64 durch Flattening in einen (7 × 7 × 64) = 3136-dimensional-dimensionalen Vektor umgewandelt. Dadurch können die vollständig verbundenen Schichten die extrahierten Merkmale effizient verarbeiten.

Flattening

Bedeutung des Flattening vor der Übergabe an vollverbundene Schichten

Vollverbundene Schichten arbeiten mit einer Standardstruktur neuronaler Netze, bei der jedes Neuron mit jedem Neuron der nächsten Schicht verbunden ist. Ohne Flattening kann das Modell die räumliche Struktur der Feature-Maps nicht korrekt interpretieren. Flattening gewährleistet:

  • Korrekte Überleitung von der Merkmalsextraktion zur Klassifikation;
  • Nahtlose Integration mit vollverbundenen Schichten;
  • Effizientes Lernen durch Erhaltung der extrahierten Muster für die finale Entscheidungsfindung.

Durch das Flattening der Feature-Maps können CNNs hochrangige Merkmale, die während der Faltung und des Poolings gelernt wurden, nutzen und so eine präzise Klassifikation von Objekten innerhalb eines Bildes ermöglichen.

1. Warum ist Flattening in einem CNN notwendig?

2. Wenn eine Feature-Map die Dimensionen 10 × 10 × 32 hat, wie groß ist die Ausgabe nach dem Flattening?

question mark

Warum ist Flattening in einem CNN notwendig?

Select the correct answer

question mark

Wenn eine Feature-Map die Dimensionen 10 × 10 × 32 hat, wie groß ist die Ausgabe nach dem Flattening?

Select the correct answer

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 3. Kapitel 4

Fragen Sie AI

expand

Fragen Sie AI

ChatGPT

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Awesome!

Completion rate improved to 3.45

bookFlattening

Swipe um das Menü anzuzeigen

Übergang von der Merkmalsextraktion zur Klassifikation

Nachdem Faltungs- und Pooling-Schichten wesentliche Merkmale aus einem Bild extrahiert haben, folgt in einem Convolutional Neural Network (CNN) der Schritt der Klassifikation. Da vollständig verbundene Schichten eine eindimensionale Eingabe benötigen, müssen die mehrdimensionalen Merkmalskarten in ein für die Klassifikation geeignetes Format umgewandelt werden.

Umwandlung von Merkmalskarten in einen 1D-Vektor

Flattening ist der Prozess, bei dem die Ausgaben der Faltungs- und Pooling-Schichten in einen einzigen langen Vektor umgeformt werden. Hat eine Merkmalskarte die Dimensionen X × Y × Z, wandelt Flattening diese in ein 1D array der Länge X × Y × Z um.

Beispielsweise wird eine finale Merkmalskarte mit den Dimensionen 7 × 7 × 64 durch Flattening in einen (7 × 7 × 64) = 3136-dimensional-dimensionalen Vektor umgewandelt. Dadurch können die vollständig verbundenen Schichten die extrahierten Merkmale effizient verarbeiten.

Flattening

Bedeutung des Flattening vor der Übergabe an vollverbundene Schichten

Vollverbundene Schichten arbeiten mit einer Standardstruktur neuronaler Netze, bei der jedes Neuron mit jedem Neuron der nächsten Schicht verbunden ist. Ohne Flattening kann das Modell die räumliche Struktur der Feature-Maps nicht korrekt interpretieren. Flattening gewährleistet:

  • Korrekte Überleitung von der Merkmalsextraktion zur Klassifikation;
  • Nahtlose Integration mit vollverbundenen Schichten;
  • Effizientes Lernen durch Erhaltung der extrahierten Muster für die finale Entscheidungsfindung.

Durch das Flattening der Feature-Maps können CNNs hochrangige Merkmale, die während der Faltung und des Poolings gelernt wurden, nutzen und so eine präzise Klassifikation von Objekten innerhalb eines Bildes ermöglichen.

1. Warum ist Flattening in einem CNN notwendig?

2. Wenn eine Feature-Map die Dimensionen 10 × 10 × 32 hat, wie groß ist die Ausgabe nach dem Flattening?

question mark

Warum ist Flattening in einem CNN notwendig?

Select the correct answer

question mark

Wenn eine Feature-Map die Dimensionen 10 × 10 × 32 hat, wie groß ist die Ausgabe nach dem Flattening?

Select the correct answer

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 3. Kapitel 4
some-alt