山东大学暑期实训（十）
对论文的阅读进行一定的归纳，然后进行尝试，论文链接 - 基于深度卷积神经网络的甲骨文字识别研究
1.对卷积层的介绍
卷积层是一个卷积神经网络中至关重要的存在。卷积就是利用卷积核，对图像进行逐行或者跨行扫描，最终提取出图像中的特征。卷积的具体实现，是用卷积核去扫描图像。
2.对池化层的介绍
经过卷积层的训练后，可以进行提取特征，这些特征可以在特征训练器上对图像进行分类。但是分类器上会遇到一些需要去解决的问题，比如图片的大小和尺寸会影响分类器的使用。为了减少卷积后的特征图的参数，需要把不同位置的特征图进行聚合统计，这种聚合操作称为池化，而下采样层被称叫做池化层。卷积层通常后面是池化层，该池化层负责对空间维度进行下采样，实现特征降维、压缩数据和参数的数量、减少过拟合并提高模型的容错性。
3.对图片的预处理操作
在之前的日记中有记录到关于对图片的预处理操作，基本上是图片的增强，图片的去噪等操作步骤，这里就简单记录一下论文作者对图片去噪的思路，感觉效果很不错。
- 首先构建甲骨文字图像去噪网络
- 二是网络退化问题。
- 该去噪网络的输入为带噪图片，然后在网络的隐层隐式地移除干净图片，输
出为移除了干净图片的残差图片与干净图片两种图片，其中残差图片是为去噪
网络的训练所用，干净图片为识别网络的输入。该网络在卷积层加上激活函数，
网络中加入了 BN（批量归一化，BatchNorm）层。在进行训练时，首先对网络
模型初始化，随机生成网络模型参数。然后通过输入的训练集来进一步优化完善
网络模型的参数。OpenCV 框架和 NumPy 框架的搭配使用会有很好地效果，
OpenCV 是处理图像信号的框架，可以读入图片、显示图片、存储图片等常规操
作，NumPy 是用来存储和处理大型矩阵的框架，这两个框架结合使用可以将图
片转化为矩阵模型的过程变得非常简单。把转换后的数字图像模型输入到训练
网络中，输出效果图与准备好的理想图片作对比，设置一个损失函数，利用损失
函数来回传参数值。接着用峰值信噪比（Peak Signal to Noise Ratio，PSNR）作
为判断标准，当 PSNR 越大，图像的失真就越小，网络的训练效果就越好
4.主要方向
剩下的几天时间里，尝试着按着这样的思路对我们暑期实训的图片进行处理操作。