1、边缘检测
Padding
步长
在彩色图像上卷积的具体过程
下面两个过滤器检测红色的垂直边缘,第二个检测三种颜色的垂直边缘,输出为4*4*1
把检测不同角度的边缘的输出叠加起来
加入激活函数
参数
池化层:减小模型大小,加快训练速度,提高所提取特征的鲁棒性
最大池化一般很少用padding填充,不过也有列外
类似Lenet-5的网络结构
各层参数
为什么使用卷积操作:
权值共享和稀疏链接
经典网络模型:Lenet-5\AlexNet\VGG
对论文感兴趣可以参考顺序AlexNet----------VGG---------------Lenet-5
AlexNet使用了Relu
ResNet残差网络
1*1的卷积:网络中的网络
根据个人意愿改变输出的信道与输入相同什么的
Inception网络
再设计网络的时候不知道1*1,3*3.5*5还有多大的池化层才是最好的时候,可以考虑该模块,让其自动选择最优的设计结构
卷积操作的计算成本问题可以记住一维卷积来大大减少
就像是一个瓶塞
迁移学习:有越多的数据就需要冻结越少的层
数据扩充方法:镜像、随机裁剪、扭曲、颜色增强等