01 正则化
——正则化防止过拟合,为惩罚高阶参数,在代价函数中加入惩罚项/正则化项
参考: https://blog.csdn.net/speargod/article/details/80233619
——对于神经网络,约束M,以防止过拟合
02 语义分割
除了自动驾驶之外,图像分割还广泛应用于医学诊断、卫星影像定位、图片合成等领域
03 FCN中的语义分割
语义分割是计算机视觉中的基本任务,也是计算机视觉的热点,在语义分割中我们需要将视觉输入分为不同的语义可解释类别,「语义Semantic Segmentation的可解释性」即分类类别在真实世界中是有意义的。
例如,我们可能需要区分图像中属于汽车的所有像素,并把这些像素涂成蓝色。与图像分类,语义分割使我们对图像有更加细致的了解。说白了,就是将图片上所有的像素点进行分类。
04 全连接层
参考:
本质就是由一个特征空间线性变换到另一个特征空间。 在 CNN 中,全连接常出现在最后几层,用于对前面设计的特征做加权和。比如 mnist,前面的卷积和池化相当于做特征工程,后面的全连接相当于做特征加权。(卷积相当于全连接的有意弱化,按照局部视野的启发,把局部之外的弱影响直接抹为零影响;还做了一点强制,不同的局部所使用的参数居然一致。弱化使参数变少,节省计算量,又专攻局部不贪多求全;强制进一步减少参数。少即是多) 在 RNN 中,全连接用来把 embedding 空间拉到隐层空间,把隐层空间转回 label 空间等。
05 概率图谱
https://blog.csdn.net/wmyan/article/details/80807173
06 优化器的选择
https://blog.csdn.net/jinxiaonian11/article/details/83141916
07 损失函数的选择
08 数据集增强
09 弱分类器
https://blog.csdn.net/BIT_666/article/details/80269101
10 分割
11 多尺度池化
https://blog.csdn.net/happyer88/article/details/51418059
12 特征金字塔
13 降采样 & 升采样
https://www.cnblogs.com/Allen-rg/p/5522412.html
降采样:减少采样点 升采样:插值
14 灰度归一化
https://blog.csdn.net/discoverer100/article/details/61426650 在许多图像处理系统中,对图像进行归一化都是必备的预处理过程。一般而言,对于灰度图像(或彩色通道的每个颜色分量)进行灰度归一化就是:使其像素的灰度值分布在0~255之间,避免图像对比度不足(图像像素亮度分布不平衡)从而对后续处理带来干扰。
一种常见的图像归一化原理1是y=(x-MinValue)/(MaxValue-MinValue) 其中x、y分别为归一化前、归一化后的值,MaxValue、MinValue分别为原始图像灰度的最大值和最小值。
15 网络加深的影响
https://www.jianshu.com/p/35c6b64b7468
|