深度学习：特征图的PCA、attention、patch、CFA、灰度共生矩阵

1.PCA（Principal Component Analysis）：主成分分析。用于降维分析。
降维的目的：减少预测变量的个数；确保变量相互独立；提供框架来解释结果
降维后的特征向量减少了冗余，反应特征的本质，具有低相关性性质，做分类预测时不容易导致过拟合。

https://blog.csdn.net/lifeng_math/article/details/50014073

2.attention

深度学习之注意力机制的那些事(Attention mechanism) - 知乎 (zhihu.com)

深度学习中的Attention总结 (baidu.com)

(41条消息) 深度学习attention原理 - CSDN

3.patch

在CNN学习训练过程中，不是一次来处理一整张图片，而是先将图片划分为多个小的块，内核kernel (或过滤器或特征检测器)每次只查看图像的一个块，这一个小块就称为patch，然后过滤器移动到图像的另一个patch，以此类推。
当将CNN过滤器应用到图像时，它会一次查看一个patch 。
CNN内核/过滤器一次只处理一个patch，而不是整个图像。这是因为我们希望过滤器处理图像的小块以便检测特征(边缘等)。这也有一个很好的正则化属性，因为我们估计的参数数量较少，而且这些参数必须在每个图像的许多区域以及所有其他训练图像的许多区域都是“好”的。
所以 patch 就是内核kernel的输入。这时内核的大小便是patch 的大小。

(41条消息) 计算机视觉patch是啥意思 - CSDN

4.CFA

(41条消息) Camera和Image sensor技术基础笔记(3) -- 色彩空间，CFA，bayer数据处理_亦枫Leonlew的博客-CSDN博客5.灰度共生矩阵

由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。

灰度共生矩阵（超简单理解）_hello~bye~的博客-CSDN博客_灰度共生矩阵