深度学习与传统模式识别方法的最大不同在于它是从大数据中自动学习特征,而非采用手工设计的特征。好的特征可以极大提高模式识别系统的性能。在过去几十年模式识别的各种应用中,手工设计的特征处于同统治地位。它主要依靠设计者的先验知识,很难利用大数据的优势。由于依赖手工调参数,特征的设计中只允许出现少量的参数。深度学习可以从大数据中自动学习特征的表示,其中可以包含成千上万的参数。手工设计出有效的特征是一个相当漫长的过程。回顾计算机视觉发展的历史,往往需要五到十年才能出现一个受到广泛认可的好的特征。而深度学习可以针对新的应用从训练数据中很快学习得到新的有效的特征表示。
特征和分类。 传统是分开的,然后做优化。 神经网络是 两者结合的。 可能初始设定6000万个特征参数,然后学习上百万个样本。
传统的图像分类,比如脸部局部区域的识别,也是提取一个小的区域,然后提前一纹理特征,然后分类。
但是人眼却可以做到即使眼部带上墨镜也知道那个部位是什么类别。这是全局特征的推理,即根据区域的全体邻域进行的推测。因此传统的区域提取然后再搜索对比分类,没有全局的特征。 如同类似, 走势搜索,貌似,最近的走势与某年崩盘前的走势一模一样。