查阅了关于U-net 相关的博客,了解卷积在图像处理中的作用:
1. 在对图像进行特征提取时,我们需要利用机器学习训练出可以提取图像特征的卷积核,但是同时注意到,虽然我们可以通过多层从浅层特征提取到组合的高级特征,再到明确的语义特征,但是实际上我们可以通过截断来实现:在比较小的训练样本下,利用大型图像数据集,你如 ImageNet,训练过的大规模CNN(比如VGG NET)直接载入训练 ,通过训练CNN底层已经训练到了丰富的细节信息,你所需要训练的其实是上层对这些特征的组合信息,以及最后全连接层的分类信息。---CNN的迁移学习能力
---具体CNN截断的实例?
2. 同时目前在CNN领域有较多的流派:混合派可能是目前最为流行的?--就是哪几类模型比较好,就拿过来结合使用。
典型的就是Xception和ResIception,将Inception和残差网络结合起来了 搜索此类
3. BatchNromalization:不得不提这个批量标准化技术,在此技术出现之前,CNN收敛很慢,此技术出现后,大大加快了模型收敛速度,还兼具一定的防过拟合效果。当然,这个技术不仅仅限于CNN --- need now .
Multi-Level Batch Normalization In Deep Networks For Invasive Ductal Carcinoma Cell Discrimination In Histopathology Images