卷积神经网络,即:卷积(特征提取)+神经网络(分类器)
传统的特征工程根据个人经验将能想到的特征全部提取出来,用这部分特征数据训练分类器。试错方式。
卷积神经网络用训练数据找最好的特征。怎么找???
好的特征(feature map):应是稀疏的以及包含典型的局部信息。feature map与原图很接近,说明它没有学到什么特征;或者它几乎是一个纯色的图,说明它太过稀疏,可能是我们feature map数太多了(feature_map数太多也反映了卷积核太小)
卷积为什么能够提取图像特征?(以垂直特征为例)
为什么使用卷积?
1、权值共享
一个卷积核在图像中的一部分有效,在其他部分同样有效。比如:可以提取图像不同部位的边缘特征。
2、稀疏连接
相对于对整幅图像整体进行卷积操作,卷积核事实上是作用于图像的一部分,然后遍历整幅图。
3、平移不变性
当图像中的目标位置改变后,在同一个卷积核作用下,得到的特征值是相同的。
卷积的三种操作
1、valid 操作,滑动步长为S,图片大小为N1xN1,卷积核大小为N2xN2,卷积后图像大小:(N1-N2)/S+1 x (N1-N2)/S+1如下图
2、full 操作,滑动步长为1,图片大小为N1xN1,卷积核大小为N2xN2,卷积后图像大小:N1+N2-1 x N1+N2-1 如下图
3、same 操作,滑动步长为1,图片大小为N1xN1,卷积核大小为N2xN2,卷积后图像大小:N1xN1 如下图所示
为什么使用池化?
池化:选出最能代表局部特征的一个值。
1、减少运算量
2、避免过拟合
性质:一定程度上提高空间不变性(平移不变性、尺度不变性、形变不变性)
最大池化,当图像平移的尺度小于池化矩阵维数时,会得到与平移前一样的池化特征。