- 主要的神经网络分类方法为:BP神经网络分类算法,径向基神经网络分类算法RBF。
- 通过池化操作可以减少特征维度,保持特征拥有空间不变性。
- CNN网络在交叉相连的卷积层,池化层后紧连着全连接层与分类器,全连接层通常为多层神经网络(MLP),在森曾CNN中全连接层中,大多采用能精确模拟生物激活模型的Relu激活函数,其能够使网络在训练过程中加速随机梯度下降法SGD的收敛和防止梯度消失,以提高网络训练速度。
- 于此同时,为了避免网络在训练过程中出现过拟合问题,添加进入了一些Dropput(随机丢失技术),该方法使全连接层的神经节点以一定的比例丢失,从而减少了网络的训练参数,避免网络产生过拟合。由于Dropout具有灵活性,所以每次数据输入的网络结构都有差异,其降低了神经元间的互相适应的复杂度,使CNN网络提取的图像特征表达具有鲁棒性,。目前Dropout技术在众多卷积神经网络得到了很好的应用,并取得了很好的分类性能,最后将经过全连接层整合后的具有区分性的特征信息送入分类器,通常采用Softmax逻辑回归或者SVM等作为特征分类器。
- 常见的无监督学习算法,如稀疏自编码器(Sparse autoencoders)[44]、受限玻尔兹曼机(RBM)[45]、高斯混合模型(GMMs)[46]、 K-means[47][48]和主成分分析(PCA)[49]等在图像处理领域有着广泛的应用。由于无监督训练方法可以从输入样本中学习到特征变换关系,所以通过无监督训练算法可以把输入样本变换成新的特征表达。无监督学习算法在提取图像特征时大多数[50][51][52][53][54]采用一种较为相似的框架结构,该框架包含若干个步骤。通过如下步骤去学习特征表示:如下图所示:
所谓激励函数就是对卷积层的输出进行一次非线性映射。- Co-training phase在协同训练阶段,实际上是半监督学习方法,利用两个或者更多个分类器学习
- LSTM的内容结构,通过门控状态来控制传输状态,记住需要长时间记忆的,忘记不重复的信息;而不像普通的RNN那样只能够呆萌的仅有一种记忆叠加方式。对很多需要“长期记忆”的任务来说尤其好用。但是也因为引入了很多内容,导致参数变多,也使得训练难度加大了很多,因此很多时候我2们往往会使用效果和LSTM相差但参数更少的GRU来构建训练量大的模型。下图是具体介绍的过程
- 协同训练的目的就是利用现有的已有标签的数据未被标记的数据。
- 循环神经网络是一种用于处理序列数据的神经网络,相比一般的神经网络而言,RNN能够处理序列变化的数据,比如某一个单词的意思因为上下文提到的内容不同会有不同的含义,RNN就能够很好的解决这类问题。
- RNN详细的介绍:https://zhuanlan.zhihu.com/p/32085405