【CV】计算机视觉中low level feature和high level feature的理解

原创 已于 2022-03-02 10:35:42 修改 · 2.3k 阅读 · 7 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
标签
#计算机视觉
于 2020-08-21 13:27:59 首次发布
本文探讨了深度学习中特征提取的概念，区分了低级特征如边缘、颜色和像素，以及高级特征，后者对于图像中目标和物体形状的识别至关重要。文章还介绍了卷积神经网络如何在前几层学习低级特征，而在后几层则专注于高级特征的学习。

  1. Low level feature：
    通常是指图像中的一些小的细节信息，例如边缘（edge),角(corner),颜色(color),像素(pixeles), 梯度(gradients)等，这些信息可以通过滤波器、SIFT或HOG获取；

  2. High level feature：
    是建立在low level feature之上的，可以用于图像中目标或物体形状的识别和检测，具有更丰富的语义信息。

通常卷积神经网络中都会使用这两种类型的features: 卷积神经网络的前几层学习Low level feature，后几层学习的是High level feature。

参考

https://blog.csdn.net/Alawaka2018/article/details/80572475

Image Retrieval using CNN and Low-level Feature Fusion
07-01
8Image Retrieval using CNN and Low-level Feature Fusion for Crime Scene Investigation Image Database 8Image Retrieval using CNN and Low-level Feature Fusion for Crime Scene Investigation Image Database 8Image Retrieval using CNN and Low-level Feature Fusion for Crime Scene Investigation Image Database
HLA-Face: Joint High-Low Adaptation for Low Light Face Detection
weixin_39406427的博客
12-09 3356
Wenjing Wang, Wenhan Yang, Jiaying Liu* Wangxuan Institute of Computer Technology, Peking University, Beijing, China 作者将图像的高-低级信息联合起来，进行求解无监督弱光环境下的人脸检测问题。 作者认为正常光...
计算机视觉中的low-level与 high-level任务
qq_43701910的博客
06-09 4769
在计算机视觉领域中，low-level任务和high-level任务是两个重要的概念，他们分别涉及图像处理和分析的不同的层次。
深度学习中获得中间的特征图/low level feature map/high level feature map/特征图可视化
qq_43369406的博客
05-04 3174
其中，name表示子模块的名称（由于Sequential中子模块没有名称，因此默认情况下，它们的名称为其在Sequential中的索引），module表示子模块本身。在该函数中，我们首先将输出张量转换为NumPy数组，并取出第一个样本的特征图。需要注意的是，在hook函数中我们可以获取到模块的输入、输出以及模块自身，这些参数都可以在后续的分析或处理中使用。如果模型中嵌套了一个小模型，也是继承自nn.Module的，要获取该小模型中某一特定层的输出特征矩阵，可以使用类似于前面的示例的方法。
神经网络中多层卷积的作用
金石软件
04-27 2389
在神经网络中采用多层卷积的目的是为了逐步提取和组合图像的抽象特征，从而更有效地学习数据的表示并执行复杂的任务。不同层的卷积具有不同的作用，从较低层次的特征（例如边缘、纹理）到较高层次的抽象特征（例如物体部件、整体物体）逐渐提取。通过多层卷积，网络能够从原始图像中逐步学习并提取更加抽象和语义丰富的特征，从而实现对输入数据更准确和有效的建模和处理。
【CV】计算机视觉中什么是Low level任务和High level任务？
热门推荐
qq_43426078的博客
02-25 1万+
Low-level任务：常见的包括 Super-Resolution，denoise， deblur， dehze， low-light enhancement， deartifacts等。简单来说，是把特定降质下的图片还原成好看的图像，现在基本上用end-to-end的模型来学习这类 ill-posed问题的求解过程，客观指标主要是PSNR，SSIM，大家指标都刷的很高。目前面临以下几点问题： 泛化性差，换个数据集，同种任务变现就很差 客观指标与主观感受存在，GAP，指标刷很高，人眼观感不佳，用GAN可缓
AI测试实战：从自动化框架到智能缺陷检测的完整落地指南
最新发布
weixin_33754065的博客
06-19 421
软件测试是保障软件质量的关键环节，其核心在于高效、准确地发现缺陷。传统自动化测试依赖于脚本和固定规则，在应对频繁变更的UI和复杂业务逻辑时，常面临维护成本高、覆盖不全的挑战。随着人工智能技术的发展，机器学习、计算机视觉和自然语言处理等能力被引入测试领域，通过赋予测试系统“感知”和“决策”能力，实现了从脚本执行到智能分析的范式升级。这不仅能显著提升测试效率和稳定性，更能从海量数据中挖掘人眼难以发现的深层缺陷与性能劣化趋势，最终为产品的快速迭代和高质量交付提供坚实保障。本文聚焦于AI在测试领域的工程化实践，详细
避坑指南：OpenCV角点检测参数调优全解析，从Harris阈值到FAST的网格化优化
weixin_30251829的博客
06-04 416
本文深入解析OpenCV角点检测中的参数调优技巧，涵盖Harris、Shi-Tomasi和FAST算法的核心参数设置与性能优化。通过可视化分析、网格化处理和动态调整策略，解决角点扎堆、稀疏及性能瓶颈等常见问题，并提供不同场景下的参数组合建议，帮助开发者提升计算机视觉项目的检测效果与效率。
2023年3月AI技术演进底层逻辑：算力、数据与工程范式三重突破
06-15 369
大模型时代的技术演进，本质是算力效率、数据信噪比与开发范式的协同升级。当分布式训练从DDP转向FSDP，显存瓶颈被通信优化破解；当RedPajama式数据流水线将噪声过滤工业化，高质量语料成为可复现的基础设施；当LLaMA开源与ControlNet插件推动模块化组装，AI开发正式进入‘乐高化’阶段。这些变化共同指向一个核心趋势：大模型能力正从黑箱炼丹走向可量化、可拆解、可集成的工程实践。RAG架构成熟、QLoRA微调普及、4-bit推理落地等现象，均根植于这一底层迁移——它降低了个体开发者门槛，却对系统设计
51c深度学习~合集8
whaosoft~aiotの开发板商城
11-22 2785
方法的完整数学描述略显复杂，如果只是想了解主要思想，可以只看上面 PatchMix的流程图即可（其实只是公式多，每个公式也不复杂，后续有机会做个演示动画，帮助大家理解。这个方法也可以用简单的 Mask 方法实现，但是本方法在大规模图像处理上效率是最高的），对该工作感兴趣的同行可以看一下，我尽量写得清楚一些。结合 PatMix 的流程图，主要过程如下：由于混合图像和混合图像之间，重叠比例的不同，mix-to-mix label 中每一项的权重分数是不同的，根据上图，可以得到权重系数可以表示为。
计算机视觉不同level的Vision简介
猛码Memmat
02-21 387
cv
基于 low-level 的 cv 问题该如何落地
U R MINE
02-17 1910
深度学习技术在 cv 的 low-level 问题方面有很多研究，比如超分、降噪、图像强化等。但是在业界的应用中，则面临一些具体的挑战，主要有以下一些方面： 1. 数据集如何构建 这是根本问题。 2. 网路如何构建 并非要类似最新的学术论文那般做出非常复杂或者原创性的网络。从工程应用的角度来说，通用型的大型网络就能取得较好的效果情况下，复杂网络结构对于性能提升的意义不大。 网络的构建意义更多在于如何把大网络压缩成小网络设计。 该减小哪些网络层？卷积核大小如何取舍？...
CNN：low-level feature 和 high level feature 的理解
南淮北安的博客
11-29 8237
通常卷积神经网络中都会使用这两种类型的features: 卷积神经网络的前几层学习low level feature,后几层学习的是high level feature 文章目录一、low-level feature二、high level feature三、low-level feature和high-level feature 的特点 一、low-level feature Low-level...
论文笔记：Let there be color!
qq_39109729的博客
11-26 754
论文笔记：Let there be color! 文章目录论文笔记：Let there be color!1、引言2、架构3、实验结果与讨论3.1 用户调研3.2 通过全局特征来进行风格迁移3.3 颜色空间的对比4、缺陷与讨论5、思考6、Reference ​ 这是我阅读的图像上色相关的第二篇论文，这篇文章的核心在于通过结合图像的全局与局部先验进行端到端的训练，实现同步分类的图像自动着色。 1、引言 ​ 本文基于CNN 提出了一种完全自动化的数据驱动的灰度图像着色方法。该方法利用从整幅
计算机视觉中low-level feature和high level feature的理解
Alawaka2018的博客
06-04 1万+
Low-level feature： 通常是一些pattern, 比如边缘（edge),角(corner),颜色(color),像素(pixeles)等特征； High level feature：具有深层语义信息的特征。
YOLO11改进 | 特征融合Neck篇之Lowlevel Feature Alignment机制：多尺度检测的革新性突破
Loving_enjoy的博客
04-21 321
然而，随着应用场景的复杂化（如自动驾驶中的多尺度目标、无人机图像中的小物体检测），传统特征融合策略的局限性逐渐暴露：**特征对齐不足导致语义信息错位、多层级信息融合效率低、小目标特征易丢失**。这些问题直接影响模型在复杂场景下的鲁棒性。3. **信息注入单元（IIU）**：通过跨层级跳连（Cross-layer Skip Connection），将浅层细节信息直接注入深层特征，弥补语义鸿沟。1. **特征对齐模块（FAM）**：采用可变形卷积与自适应插值技术，动态调整特征图的空间位置，实现像素级对齐。
CV00-01-CV基础理论
苦行僧的妖孽日常
12-24 554
目录 CV的level和CV的方向 CV的level CV研究方向 CV应用方向 CV工程方向 CV的路线 CV比较好的会议 CV的平台、框架 认识几个CV的缩写 CV的level和CV的方向 CV的level Low Level，图像的基本操作；比如，图像的变换、像素操作、色彩等； Mid Level，经典的视觉算法；比如，SIFT、RBF等； High Level，...
概念：计算机视觉中 low-level feature 和 high level feature
Wolf_xujie的博客
10-21 1302
通常是指图像中的一些小的细节信息，例如边缘（edge)，角(corner)，颜色(color)，像素(pixeles)，梯度(gradients)等，这些信息可以通过滤波器、SIFT 或 HOG 获取。通常来说，卷积神经网络中这两种类型的 features 都会用到: 卷积神经网络的前几层学习 low level feature，后几层学习的是 high level feature。是建立在low level feature之上的，可以用于图像中目标或物体形状的识别和检测，具有更丰富的语义信息。
high-level vision和low-lever vision的解释
Alawaka2018的博客
06-04 6500
low-level vision low-level version: which focuses on the nature of the mental representations that result from cognitive processes. middle-level vision: which concerns the integration of image prope...
朋友圈爆款背后的计算机视觉技术与应用
cpongo011702
02-20 674
本次分享系统介绍计算机视觉的基础知识，如何利用这些识别算法实现一个应用，同时进行部署、推广这一整套流程。主要包括以下六个部分：1、朋友圈爆款活动背后的秘密；2、计算机视觉基础；3、曾经的图像处理方法-传统学习方法；4、图像处理的爆发-深度学习方法；5、解析云端AI能力支撑；6、技能进阶。一、朋友圈爆款活动背后的秘密下图是五四青年节的活动，一个人脸匹配的游戏，其中使用的就是人脸识别的算法。大家上传自...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

机器不学习我学习

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值