学习Deep learning必读，CVPR2012上的PPT~

翻译，或者总结，都是废话了，直接传ppt吧~   总结的太好了~

下载地址：http://download.csdn.net/detail/yihaizhiyan/4878884

 

对此ppt的一些自我理解，随手记录之：

1、计算机感知过程：

       输入数据---》特征表示---》学习算法 

2、原有的一些手动设计特征，如：

       SIFT、HOG、GLOH等特征~        不是一般人都能设计出这么出色的特征的~ 

 

3、学习特征表示的关键思想：

      从无标签数据中学习得到，数据的统计结构或者关联性~

      在监督或者半监督设置下，学到数据的特征表示~

      比如：无监督特征学习、特征学习、深度学习、表示学习等等~ 

 

4、介绍从RBM到DBN等算法的发展过程，公式等太多了，不是一句两句能多的清楚的~

       简单来说，DBN可以说是多层的RBM模型~      

       Deep learning这种分层次的概念固然好，但是也不是越deep越好，而是有个恰当的阈值，这由经验取决~

       在很大程度上deep learning和上篇讲过的Hierarchical invariant spatio-temporal features有很多思路等是相同的~

        比如层次性，局部性、无监督学习等特点~

 

        虽然deep learning很热，但是很多人搭了个顺风车而已~  借鉴之~

        所以不能盲从，理性看待思考deep learning，为什么它能取得如此好的效果？

        正如当初sift特征火爆，有一拼~

       很多在cv界取得比较好成就的，大多是从大脑神经视觉等来解析算法~

        随着cv的发展，只能以最大可能的接近人脑思维、视觉等，难于超越~

        而做好cv，更多的时候，也是要从人的视觉来思考问题，才能发现其本源，而不是沉溺于那些公式的推导~