[深度学习][图像处理][毕设][常识]关于图像处理的一些基本常识，以及最近5天的笔记。2018.5.2号...

《深度学习与计算机视觉》　　　　　　　　　　　

　　　　　　　　　　　　要看

　　　　　　　　　　　　页：28、30、37、51-53、66-70、

    　　　　　　　　　　　　73-78、81、84、88-95、100、

    　　　　　　　　　　　　104、113-115、120-121、125-126

    　　　　　　　　　　　　125-138、

 　　　　　　　　　　　　  < 125页的计算还有通道，是我想要的东西。>

　　　　　　　　　　　　< 136页的1×1卷积，是我想要的东西。>

　　　　　　　　　　　　　　两个向量的点积结果是，对应位子相乘再相加。

 

　　　　　　　　　　　　卷积核步长越大，卷积结果的维度越小，这就达到了降采样的目的。

 

　　　　　　　　　　　　　　全连接层的非线性变换是激活函数，卷积层的也是。

 

　　　　　　　　　　　　L2规范化就是权重衰减，它用于wx+b的w里面。

 

 

　　　　　　　　　　　　L1规范化

 

 

　　　　　　　　　　　　待卷积项与卷积核做卷积之后，得到的结果叫做，特征响应图（feature map）。

 

　　　　　　　　　　　　卷积核的作用是，可以找到，图像中和自身纹理最相似的部分。

 

　　　　　　　　　　　　每一张图称为一个通道。

 

　　　　　　　　　　　　分步式就是多对多。

 

       　　　　　　　　　　下图是1×1卷积的解释

 

关于Bound Box Regression算法，我看的是https://blog.csdn.net/ap1005834/article/details/77915794   和  https://blog.csdn.net/zijin0802034/article/details/77685438，后一篇是对前一篇中某些看不懂的地方的解释说明，其中关于“为什么当IoU>6时能将模型用线性回归来近似”讲的最好，用高数里面的等价无穷小来讲的。 

 

 epoch是   全数据集

 

什么是正样本，什么又是负样本？对于目标检测中我们会事先标记出ground truth，然后再在算法中会生成一系列proposal，这些proposal有跟标记的ground truth重合的也有没重合的，那么重合度（IOU）超过一定阈值（通常0.5）的则认定为是正样本，以下的则是负样本。

 

FP（false-positive，伪正）

 

冒号等于   是同步更新的意思

转载于:https://www.cnblogs.com/zf007/p/8979638.html