第三周博文日志

读《深度学习在图像处理领域中的应用综述》有感

前言：本次的日志只用于记录本人在阅读期刊论文《深度学习在图像处理领域中的应用综述》所产生的一些心得体会，如有错误，还请原谅。

1.对文章结构的想法

a.文章的摘要是文章的重点概括：摘要中大致概括文章的背景，简单清晰地说明文章的结构设计，再对目的进行阐述，最后提出深度学习在图像领域存在的问题以及对未来的期望。

b.这篇文章紧扣题目，前两个模块并未进行详细的描述，重点放在了的三个模块：深度学习在图像处理领域的应用。并将其分为图像处理、图像识别和图像检测三个具体的步骤。

2.我不认识的学术用语

1.泛化
我的理解：泛化就是可以检索到与所给出条件同级的相类似的，与给出条件又不相符合的数据。举个简单的例子，有一天你在百度里搜索一篇文章，百度给出的回答可能正好是这篇文章，也有可能会是多个包含有相同关键字的其他信息，比如一个视频，一个微信公众号，一个广告之类的不同结果。这里就体现了大数据下搜索器搜索的泛化性。

2.过拟合
我的理解“过拟合就是因为给出的限制条件过于苛刻，致使程序的结果过分集中，样本集拟真性不强，容易被系统识别为假。

3.BP算法
我的理解：是一种按照误差逆向传播算法训练的多层前馈神经网络。

4.鲁棒性
我的理解：在我看来，鲁棒性就是健壮性，就是一个系统在受到黑客攻击或由于自身的漏洞而产生系统BUG导致系统故障时，系统内其他功能软件的运行情况。

5.卷积神经网络
我的理解：我认为卷积神经网络就是改变卷积神经在层级上的功能和结构。增加了一个全连接，扩展其深度学习的能力。

3.我对这篇文章映像深刻的内容

1.卷积层神经网络架构：一般卷积层神经网络有卷积层、池化层、全连接层这三个类型的层堆叠组成，以及基于神经网络的两种优化方法：Dropout 和 批量标准化。

2.Dropout:旨在深度学习网络的训练过程中，对神经网络单元按照一定的概率将其暂时从网络中丢弃。注意只是暂时，所以在使用随机梯度下降方法时，每一个小批量数据都在训练不同的网络。Dropout方法破坏了节点之间的相关性，使得网络能学到更有泛化性的特征，有效防止过拟合。

3.批量标准化：BN算法可以用来规范化某些层或者所有层的输入，从而固定每一层输入信号的均值与方差，有效防止梯度爆炸或消失问题。

引用

1.《深度学习在图像处理中的应用综述》
https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDLAST2018&filename=GJXK201809025&v=M7sBKfA9vPkW40TJh0RbUcCg14zpv5D4h5Oac8kQBwvCamUNicTp%25mmd2FtCQZoKxSolo
2.泛化 （https://www.zhihu.com/question/323107871/answer/674140878)
3.过拟合 (https://zhuanlan.zhihu.com/p/38224147)
4.BP算法 (https://blog.csdn.net/qq_32241189/article/details/80305566)
5.鲁棒性 (https://blog.csdn.net/zhouxinxin0202/article/details/79915873?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromBaidu-1.control&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromBaidu-1.control)
6.卷积神经网络 (https://www.jianshu.com/p/1ea2949c0056)