CV

问题: 处理高分辨率图像时，原始图像的像素数量通常非常庞大。

边缘检测

1. 垂直边缘检测滤波

   

2. 变权

   

3. 利用反向传播学习

Padding

1. Padding：外层填充像素

   • 存在问题：
     • throw away information from edge
     • shranky output

   解决：外层填充像素

2. 填充多少像素？

   • Valid: (n-f+1) * (n-f+1)

   • Same: Pad so that output size is the same as the input size.

三维卷积

第一个可能是垂直边缘检测器，第二个可能是水平边缘检测器，将结果叠加。

卷积网络层的类型: convolution + pooling + fully connected

池化层（Pooling Layer）

池化层是深度学习中卷积神经网络（CNN）的一个重要组成部分，主要用于降低特征图的尺寸加速计算，同时保留主要特征。

例如：Max pooling, Average pooling…

完整卷积神经网络

• 常见结构

  CONV-POOL-CONV-POOL-FC-FC-FC-softmax

  使用梯度下降来减少代价函数进行训练

• 卷积优势

  • Parameter sharing:

    A feature detector (such as a vertical edge detector) that’s useful in one part of the image is probably useful in another part of the image.

  • Sparsity of connections:

    In each layer, each output value depends only on a small number of inputs.

• 平移不变性

  含义：即使目标的外观发生了某种变化，但是你依然可以把它识别出来。

  • 卷积：在神经网络中，卷积被定义为不同位置的特征检测器，也就意味着，无论目标出现在图像中的哪个位置，它都会检测到同样的这些特征，输出同样的响应。
  • 池化：比如最大池化，它返回感受野中的最大值，**如果最大值被移动了，但是仍然在这个感受野中，那么池化层也仍然会输出相同的最大值。**这就有点平移不变的意思了。

  即使图像被平移，卷积保证仍然能检测到它的特征，池化则尽可能地保持一致的表达。

2. 经典卷积神经网络架构

LeNet - 5

AlexNet

VGG - 16

残差网络

• 残差块 (Residual block)

  

  使用残差可以训练更深的网络

• 残差网络（Residual Network）

  

  

• 增加残差不会影响原始新性能，还可能提升性能

  

1*1 卷积

• CV