计算机视觉及深度学习

1. 简介

    人识别物体是根据物体的特征来进行识别、分类的。所以，计算机要识别所看到的物体，必须事先学习物体的特征。

    特征学习：是计算机视觉的核心。

    人工设计的特征有：LBP、HAAR、HOG、SIFT等。

    深度学习：可从给予的样本中自动学习特征。

1.1 为什么要自动学习特征？

   1）机器学习中，获得好的特征是识别成功的关键；
   2）目前存在大量人工设计的特征，不同研究对象特征不同，特征具有多样性，如：SIFT, HOG, LBP等；
   3）手工选取特征费时费力，需要启发式专业知识，很大程度上靠经验和运气。

1.2 为什么采用层次网络结构？

1.2.1 人脑视觉原理

     1）1981年的诺贝尔医学奖获得者 David Hubel和TorstenWiesel发现了视觉系统的信息处理机制发现了一种被称为“方向选择性细胞的神经元细胞，当瞳孔发现了眼前的物体的边缘，而且这个边缘指向某个方向时，这种神经元细胞就会活跃

     2）人的视觉系统的信息处理是分级的

     3）高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象，越来越能表现语义或者意图

     4）抽象层面越高，存在的可能猜测就越少，就越利于分类 

1.2.2 浅层学习的局限

     1）人工神经网络（BP算法）
       虽被称作多层感知机，但实际是种只含有一层隐层节点的浅层模型
     2）SVM、Boosting、最大熵方法（如LR，Logistic Regression）
       带有一层隐层节点（如SVM、Boosting），或没有隐层节点（如LR）的浅层模型
     3）局限性：有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受限。 

1.2.3 深度学习

     1）多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；
     2）深度神经网络在训练上的难度，可以通过“逐层初始化”（layer-wise pre-training）来有效克服，逐层初始化可通过无监督学习实现的。

     3）本质：通过构建多隐层的模型和海量训练数据（可为无标签数据），来学习更有用的特征，从而最终提升分类或预测的准确性。“深度模型”是手段，“特征学习”是目的。

     4）与浅层学习区别：

     （1）强调了模型结构的深度，通常有5-10多层的隐层节点；
     （2）明确突出了特征学习的重要性，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。

2. 计算机视觉挑战

    由于以下原因，计算机视觉有很强的挑战性：
    1）视点变化
    2）照明变化
    3）对像变形（如猫的各种姿势)
    4）部分被遮挡
    5） 背景复杂
    6） 对象的多种类（如有多类猫)
    对于以上复杂的情况，无法硬编码一个算法来识别图片中的对象，如cat，dog。

3. 数据驱动方法

    数据驱动方法的流程如下：

    1）收集图像和标签的数据集
    2）使用机器学习训练一个图像分类器

          def train(train_images, train_labels)
              // build a model for images -> labels ...
              return model

    3）使用一组预留的测试图像评估此分类器

          def predict(model, test_images)
              // predict test_labels using the model ...
              return labels