2019-3.19

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