文章目录
- 应用
- 卷积神经网络
- 卷积处理分类问题
应用
- 图片分类
- 图片检索
- 图片分割
- 图片风格迁移
- 姿态估计
- OCR
- 等
卷积神经网络
- 核概念
- 计算机视觉中处理图片的核大小是通过经验得来的,而深度学习中的权重大小是自己学习出的。
- 卷积VS神经网络:一个是局部观察一个是全局观察
- 参数(权值)共享:一次卷积用的是同一个卷积核
- 卷积核通道数由输入图像通道决定,卷积核的个数自己决定,它决定了输出的feature map个数
- 层级关系:感受野,对卷积的结果再做卷积,在堆叠了两层(或以上)后能看到的范围更大了
- 在浅层卷积中,感受野小,看到的是细节信息。在深层卷积中,感受野大,看到的是全局信息
卷积处理分类问题
- Auto ML:自己学习比较优秀的超参数(前沿、难)=》前期不要研究,需要算力比较庞大,一般在谷歌、百度
- padding(填充):让卷积对图像的关注均衡,调节 feature map 的尺寸
- stride(步长):影响 freature map 的大小
- polling(池化):
- 作用:
- 降维,在保证原有特征的基础上,尽量减少参数。
- 使网络对一些小的局部形态改变保证不变性,并拥有更大的感受野。
- 做特征的汇聚
- 玄学:现有的科学认知没有达到能够解释模型的程度,并不是它真的玄学。