早上
睡够九个小时
睁眼的一件事,不知怎么的点到qq群里面去了,薅羊毛,购物了一个小时,然后是做饭(早午饭),吃了之后,又和女朋友解释了一下leetcode积分机制以及自己太菜了,所以不去搞那个了。
然后是刷一道 求子树和的题目,后序遍历,然后记录,去重。
接下来是看深度学习的课件
看课件
卷积核
定义上,卷积要求先把卷积核 翻转180° 体现在-u -v ,如果是 +u +v 就是相关不是卷积了。
但是 一般这个卷积核都是对称的,所以无所谓了,然后 神经网络学到的也是颠倒的,所以不强调了
卷了之后再平移,和平移之后再卷积,一样的。然后 代入到卷积核里面,只要保证那9个格子的数据不会被破坏
固有问题–边界填充
通常都是0填充 这样就可以保证输入输出图样大小一样大
当然也可以 镜像填充,拉伸填充
通过(消除)噪声来引出卷积(的概念)
然后是边界填充来引出不同的卷积核
卷积核的尺寸 是固有参数 33 55 7*7
求平均-拉近自己和周边邻居的距离,使得变得相似,平滑
不同的卷积核可以达成不同的图像操作
原图+边缘图=锐化
平均卷积核 肯定是不太行的,引出高斯卷积核
中心是(0,0)
要归一,不然 可能放大也可能缩小原来图片的 数据
方差越小,他峰越陡峭,越集中,越不近人情(和邻居距离很远),平滑效果越不明显
模板尺寸,对应着 归一化的分母。
经验之谈
而且这个卷积核可以分离
用小模板多次卷积要比大模板一次卷积运算量小的
用分解模板可以进一步降低
所以可以抑制噪声,实现平滑(和可以通过分离来降低复杂度)
噪音
高斯噪音 密密麻麻 随机分布,相当于在原来信号上面都叠了一个高斯分布随机分布的信号
去除高斯噪声要用大卷积核(要来磨皮)
高斯卷积核是线性操作,但是中值滤波器只是排序取中值,所以他不是
边缘
目的
边缘 亮度急剧变化的点
不同的应用场景侧重于不同的边缘
- 判断物体是啥,就需要识别那个字
- 判断物体是否在桌子上,需要侧重于光照的阴影
通过灰度函数的一届函数的求导,得到极值
对x求导,就是y方向的线明显一点
利用梯度的模值,反映边缘信息
非极大值抑制
就是不是最大值就给你删掉,只保留最大值
先是高阈值,然后低阈值,
只有和高阈值 相邻的低阈值 (两更连成一条完整的线的时候)才会被保留
canny
纹理
这部分不看了(感觉用不着)
利用卷积核组
对这个平滑的感念有点懵逼
反思
学的时间太少了。。玩的时间太多了(2:6)