1.纹理
1.纹理分类:
规则纹理与随机纹理
2.基于卷积核组的纹理表示方法:
思路:利用卷积核组提取图像中的纹理基元,利用基元的统计信息来表示图像中的纹理
3.进一步改进:
忽略基元位置,关注出现了哪种基元对应的纹理以及基元出现的概率
纹理表示A:r4 比较大,表示y方向的纹理比较多。
纹理表示B:r5 比较大,表示y=x方向的纹理比较多。
纹理表示C:r7 比较大,表示斑点纹理比较多。
4.卷积核组的设计原则
卷积核类型(边缘、条形、点状)
边缘:高斯一阶偏导核。例:黑|白,白|黑。
条形:高斯二阶偏导核。例:白|黑|白,黑|白|黑。
点状:例:周围白中间黑,周围黑中间白。
卷积核尺度(3~6个尺度)
大尺度,提取粗粒度边。
小尺度,提取细粒度边。
卷积核方向(6个角度)
2.卷积神经网络
1.全连接神经网络的瓶颈 - 参数过多易过拟合&显存压力大
参数越多,模型越容易过拟合。
参数越多,计算量越大。
前向传播数据需要存入显存,参数越大,显存压力越大。
卷积神经网络分为四层:
CONV——卷积层,RELU——激活层,POOL——池化层,FC——全连接层
2.卷积层:
例子的原理,32*32*3的彩色图像使用一个5*5*3的卷积核,得到一个28*28*1的特征响应图
卷积核深度 = 前一层图像的深度(前层决定,不是自定义)
卷积核个数 = 自己自定义
特征图个数 = 卷积核个数
卷积步长:
卷积核尺寸,卷积步长,填充数量,以及卷积核数量最好经过周密的设计,到自己输出层时正好是自己需要的尺寸,最好不要中间出现除不尽的情况,如果出现除不尽的情况,就忽略几个像素。
3.池化层
池化的作用:对每一个特征响应图独立进行,降低特征响应图组中每个特
征响应图的宽度和高度,减少后续卷积层的参数的数量,降低计算资源耗
费,进而控制过拟合。
缩小特征响应图像 & 增大感受野
卷积核的尺寸相对变大,粗粒度提取,使得卷积核在图像上的视野更广,即感受野更大,可以提取更多信息。
池化窗口,池化步长
常见池化操作
使用区域内的最大值来代表这个区域。
类似于非最大化抑制操作,保留原图中对卷积核响应比较高的地方,其他地方舍弃。
采用区域内所有值的均值作为代表。