深度学习
文章平均质量分 84
一只飞鱼fy
计算机视觉方向,关注SLAM、目标跟踪、多传感器融合定位以及深度学习与机器学习领域
展开
-
深度学习(1)-深度学习中的核函数(激活函数)
1.核函数的作用与损失函数的设计核函数(kernel method,kernel trick)是机器学习中一种重要的方法。一般定义是将原始表达转换到一个隐式特征空间去,该空间具有更好的特征可分性质。 在机器学习中,(一层线性卷积结构+一层核函数)*N的特殊结构,能拟合任何函数的原因。但如果只有N层的线性结构,那最后的组合还是线性结构,就相当于以前的感知机(perceptron)。使得类似神经网络结原创 2017-12-10 15:36:13 · 9532 阅读 · 0 评论 -
深度学习(2)-反卷积(deconvolution)
反卷积在论文中常常对应的英文有:Deconvolution (怪怪的“去卷积”)UpconvolutionFractionally strided convolutionBackward strided convolution意思是它的卷积的逆过程。它的另一个名字转置卷积(transpose convolution)更能表达它的数学过程。比如对4x4的图像进行3x3的卷积得到原创 2017-12-27 21:14:51 · 20072 阅读 · 0 评论 -
论文笔记-损失函数之SSIM
损失函数用来鼓励和抑制某些行为。 在深度学习中,如果是分类问题,则可以用交叉熵,softmax,SVM等损失函数。如果是回归问题,则代价函数普遍采用L2,或者L1。 由于L2(即用真值和预测值的欧氏距离)是一个非凸形式且可导。。但L2的使用前提是噪声高斯分布的。它抑制大的误差,但对小的误差却很能容忍。比如L2能很好地复现边缘,但却无法很好地消除那些小的噪声。 最重要的,L2和人类的视觉系统(原创 2018-01-10 21:43:15 · 21688 阅读 · 5 评论