El kernel en acción

Clase 9 de 25 • Curso de Redes Neuronales Convolucionales con Python y Keras

Erick Barrios

student•

El kernel de bordes horizontales puede quedar como

img_new_horizontal = nd.convolve(img_gray,kernel.T)

Con el kernel original que definimos en la clase

Diaz Mauricio

student•

CHEVERE

Jose Barboza

student•

interesante tu propuesta

Itzá Alejandra Hernández Sequeira

student•

Por si se preguntaban qué pasa con un Kernel = 0's

Sergio Esteban Gamboa Muñoz

student•

Algunos ejemplos de los kernel

Carlos Felipe Saldarriaga Bejarano

student•

Probando distintos Kernels:

kernel = np.array([[ 0, 0, 0], [ 0, 0, 0], [ 0, 0, 0]])

kernel = np.array([[ 1, 0, 1], [ 0, 0, 0], [ 1, 0, 1]])

kernel = np.array([[ 0, 0, 0], [ 0, -1, 0], [ 0, 0, 0]])

Alarcon7a

student•

amazing!!!!

Jorge Aurelio Valdez Osorio

student•

Lo convertí en función para ir probando varios kernels más fácil.

def test_kernels(img: np.ndarray, kernel: np.ndarray):
    img_new = nd.convolve(img_gray, kernel)
    fig, axes = plt.subplots(1,2, figsize=(15,10))
    axes[0].imshow(img, cmap=plt.cm.gray)
    axes[0].set_title('Original')
    axes[0].axis('off')

    axes[1].imshow(img_new, cmap=plt.cm.gray)
    axes[1].set_title('New')
    axes[1].axis('off')

test_kernels(img_gray, kernel)

# test con matriz identidad
test_kernels(img_gray, [[1,0,0],[0,1,0],[0,0,1]])

Joseph Peña Quino

student•

Ustedes sabían que si usan este kernel pueden trasladar la imagen? 😆

s =  55 # kernel's size
kernel= np.zeros((s, s))
kernel[s-1][s//2] = 1

Maria Camila Sandoval Santana

student•

Jugando y creando nuevos kernel

Jean Pierre Brik López Vargas

student•

Kernel para bordes verticales:

kernel1 = np.array([[-1,-1,-1],
                  [0,0,0],
                  [1,1,1]])

Robert Yesid Barrios Acendra

student•

Horizontales*

Henry Mendiburu Díaz

student•

Robert Yesid Barrios Acendra

student•

¿Andrew Ng?

Jorge Mora

student•

Una consulta, en base a que definimos o que nos determina las dimesiones del kernel?

Alarcon7a

student•

Es uno de los hyper parámetros a tunear en el entrenamiento, aunque hay arquitecturas pre establecidas de las cuales se habla más adelante en el curso

Jhon Freddy Tavera Blandon

student•

"kernel" se refiere a una matriz pequeña que se desliza sobre la entrada de la imagen para realizar la operación de convolución. Estos kernels son esenciales para extraer características relevantes de la imagen y son la base de cómo funcionan las capas convolucionales en una CNN.

Angel Almazan

student•

Les comparto mi notebook: https://colab.research.google.com/drive/1C76h7EpwVSLqDkPHN83RdV6Wqeg9ps0o?usp=sharing

Angel Almazan

student•

Hector Ignacio Sanabria Pedraza

student•

<#kernel, para bordes verticales

kernel = np.array([[-1, 0, 1],
                   [-1, 0, 1],
                   [-1, 0, 1]])
#utilizo la traspuesta de kernel
img_new = nd.convolve(img_gray, kernel.T)
fig, axes = plt.subplots(1,2, figsize=(15,10))
axes[0].imshow(img_gray ,cmap=plt.cm.gray)
axes[0].set_title('Original')
axes[0].axis('off')

axes[1].imshow(img_new ,cmap=plt.cm.gray)
axes[1].set_title('Convolucion')
axes[1].axis('off')
import cv2
cv2.imwrite('kernel.png',img_new)>

Eber Laurente Lliuyacc

student•

Probando el kernel para bordes horizontales

Código:

kernel_2 = np.array([[1,1,1],
                  [0,0,0],
                  [-1,-1,-1]])

img_2 = nd.convolve(img_gray, kernel_2)

fig, axes = plt.subplots(1,2, figsize = (15,10))
axes[0].imshow(img_gray, cmap=plt.cm.gray)
axes[0].set_title('Original')
axes[0].axis('off')

axes[1].imshow(img_2, cmap=plt.cm.gray)
axes[1].set_title('Convolution')
axes[1].axis('off')