計算機視覺

計算機視覺問題

• 圖片分類
  

• 目標檢測
  

• 畫風遷移
  

在大圖片上的深度學習

如果採用傳統的全連線層，可能會導致引數巨大，導致無法進行計算。卷積神經網路由此產生

邊緣檢測的例子

可以設計一些專用的filter來提取圖片的縱向邊緣和橫向邊緣
- vertical edges

• horizontal edges
  
  這些專用的filters是計算機視覺專家精心設計出來的，往往可以提取一些不錯的特徵，但每次人為去設計，可能不夠靈活。我們應該嘗試讓資料說話。也就說去學習一些filters
  

Padding元件

為什麼要引入Padding元件

• 卷積操作會使輸出縮小太快
• 卷積操作會導致輸出中只有極少數值會受到影象邊緣畫素的影響，這樣相當於丟失了一些邊緣畫素的資訊
  

Strided 元件

strided卷積的例子

strided卷積的總結

在立體上的卷積

在RGB影象上的卷積

採用多個卷積filters

單層卷積神經網路

單層神經網路的例子

單層卷積神經網路的符號規定

Pooling元件

• Max Pooling(常用)
  
• Average Pooling(不常用)
  

Pooling層總結

• 池化前後通道的數量不變

• 池化層沒有需要學習的引數

  卷積神經網路層的型別

• 卷積層

• 池化層
• 全連線層

一個完整的卷積神經網路的例子

• 引數主要集中在全連線層
• 隨著層數的遞增，nH和nW都是遞減的，nC是遞增的

為什麼卷積是有意義的

• 引數共享：如果一個特徵探測器在影象的某個部分是有用的，那麼他很有可能在影象的另外的部分也是有用的
• 稀疏連線：在每一層，每一個輸出中的只依賴一小部分的輸入