阅读桑迪潘·戴伊的《Python图像处理实战》笔记十

十、图像处理中的深度学习—图像分类

1.图像处理中的深度学习

机器学习的主要目标泛化，在训练数据集训练算法，并使得这个算法在不可见的数据集上具有高性能；深度学习的优点是尝试以增量方式训练图像。
（1）经典学习与深度学习

①手工特征提取与自动特征提取
②部分与端到端解决方案
③训练时间和高级硬件
④适应性和可迁移性

2.卷积神经网络

架构：一个或多个卷积层—非线性ReLU激活层和池化层—全连接层—多分类器层

（1）卷积层Convolution

由一系列卷积滤波器构成，利用卷积滤波器对输入图像进行卷积，生成特征图。
步幅stride：卷积滤波器每一步的移动量（默认为1）
填充padding：围绕输入的0层（通常用来保持输入和输出图像的大小相同）

★输入nn图像——卷积ff滤波器,填充p,步长s——输出[(n+2p-f)/s+1]×[(n+2p-f)/s+1]图像

（2）池化层Pooling

通过池化降低维数并减少需要学习的参数数量，以缩短训练时间，减少训练所需的数据，克服过拟合；对每张特征图进行下采样，减小高度和宽度，但深度保持不变。

（3）非线性——ReLU层

卷积运算的结果通过非线性激活函数传递

（4）全连接层FC

卷积层和池化层的输出是三维结构体，FC期望的是一维的数字向量，最后池化层的输出需要扁平化（flatten）为一个向量，变为FC层的输入。

（5）随机失活Dropout

针对深度神经网络的正则化技术，用于防止过拟合；在训练中，每次迭代，都有神经元暂时失活或以一定概率p被禁用，p为失活率（默认p=0.5）

3.Tensorflow或Keras进行图像分类

手写数字识别：https://download.csdn.net/download/qq_45190745/87065439

4.应用于图像分类的主流的深度卷积神经网络

VGG16/19: https://blog.csdn.net/qq_19329785/article/details/84504722
AlexNet: https://blog.csdn.net/hgnuxc_1993/article/details/115840197
ResNet: https://blog.csdn.net/m0_54487331/article/details/112758795
InceptionNet: https://zhuanlan.zhihu.com/p/45189981