北京2023年3月17日电 /美通社/ -- 全球领先的全息图增强现实（"AR"）技术提供商WiMi全息云公司（纳斯达克股票代码：WIMI）（"WiMi "或 "公司"）今天宣布将CNN（卷积神经网络）应用于图像特征提取并开发了基于CNN的图像特征提取算法。
CNN是一种重要的深度学习方法，可以解决许多复杂的模式识别问题，并被广泛用于图像识别、语音识别和自然语言处理。
WiMi的算法利用卷积神经网络的局部连通性和分权特性，在图像处理过程中通过与其他许多卷积核参数的训练，自动提取同一图像的不同图像特征。池化操作可以大大减少训练参数的数量，方便特征图的大小，简化网络模型，提高训练效率。
卷积神经网络由两个交替的卷积层和池化层组成。卷积层负责从输入中提取特征，而池化层则负责整合特征。卷积层从图像中获得局部信息，池化层显著降低参数幅度，全连接层输出预期结果。
首先，初始特征由卷积层提取。卷积层类似于一个过滤器，用于从图像中提取特定的初始特征。经过大量的训练，机器会自动调整卷积核的值，然后与图像矩阵进行卷积，从图像中提取特定的特征。卷积核的数量大大影响了初始特征的提取，但时间消耗也相应增加。然后由池化层提取主要成分。池化层的主要作用是减少训练参数的数量，降低卷积层输出的特征向量的维度，减少过拟合，只保留最有帮助的图像信息，并减少噪声的传播。在图像处理问题中，池化层可以降低特征图的维度，并为图像特征引入空间不变性，包括拉伸、旋转和翻译。
卷积层和池化层共同工作，提取图像特征，并大大减少原始图像引入的参数。最后，该系统应用全连接层来生成一个与所需类别数量相等的分类器。权重矩阵被相乘，偏移值被添加，并使用激活函数和梯度下降法对参数进行优化。全连接层用于线性分类。换句话说，它是对检索到的高级特征向量进行线性组合，然后再用于生成最终的预测结果。
卷积核对整个图像进行水平、垂直和对角线扫描以生成特征图。当图像被处理时，输出图像中的每个像素都使用一个受限的接受域，这意味着输入图像中的每个像素只使用输入图像的一小部分。通过逐渐扩大每个连续卷积层的感受野，可以获得图像中更精细、更抽象的信息，经过几个卷积层，最终得到不同大小的图像的抽象表示。
如果计算机能够像人类一样理解图像，它就可以完成许多人类根本无法完成的任务。让计算机理解数字图像是当前计算机科学研究的一个关键主题。对计算机来说，数字图像只是一个数字矩阵，所以需要特征提取算法来帮助计算机理解图像。
WiMi基于卷积神经网络的图像特征提取算法具有图像处理的平移和尺度不变性，可以提高图像特征提取的准确性。这对于进一步完成图像识别和图像分类至关重要。基于卷积神经网络的图像特征提取技术已被广泛应用于医疗、安防、自动驾驶等领域。未来，WiMi将继续扩大其图像特征提取算法的应用。 使用www.DeepL.com/Translator翻译（免费版）
关于WIMI全息云
WIMI全息云公司（NASDAQ:WIMI）于2015年开始商业运营，是一家全息云综合技术解决方案提供商，专注于全息AR汽车HUD软件、3D全息脉冲LiDAR、头戴式光场全息设备、全息半导体、全息云软件、全息汽车导航等专业领域。其服务和全息AR技术包括全息AR汽车应用、3D全息脉冲LiDAR技术、全息视觉半导体技术、全息软件开发、全息AR广告技术、全息AR娱乐技术、全息ARSDK支付、互动全息通信等全息AR技术。
