计算机视觉与深度学习-05-纹理 卷积神经网络-北邮鲁鹏老师课程笔记

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。

池化层超参数

池化窗口，池化步长

常见池化操作

最大池化

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。

平均池化

采用区域内所有值的均值作为代表。

3.图像增强