图像课程报告：通过扩大卷积神经网络中的池化的作用解决显著目标检测问题

综述

首先需要感谢甘涛老师为我们带来的这门高级数字图像处理课程，可以看出甘老师很认真很用心地亲自准备了很周到的ppt，并且乐于活跃课堂气氛，在上课的时候营造了轻松的氛围。虽然是选修课，但是仍然在轻松平和的课堂氛围中学习到了很多很有用的知识。在这里也想感谢甘老师没有照本宣科地讲解那些早已过时的技术，紧紧地与当今计算机技术的发展相结合。
比如说，我在上这门课的时候一直会看到如图1-1所示的卷积神经网络的流程图，起初我都不明白这幅图想要表达的思想，连卷积是什么、池化是什么都不知道。

图1-1卷积神经网络图示
但是在甘老师结合具体实例讲解之后，我恍然大悟，这门课我觉得没有白上。RGB、矩阵、卷积、池化这些简单的卷积神经网络中的基本概念变得清晰明了。同时我对于jpg算法的讲解也有深刻的印象，其实主要原因是与我选修的数学课程矩阵原理有着千丝万缕的联系。Jpg算法应用到了工程上常用的一个矩阵理论工具叫做奇异值分解，也就是一个复杂的矩阵（可以不用是方阵，也不用满秩）可以被写成很多个矩阵的累加和，这也就是jpg算法的核心数学思想。
同时还接触到了灰度直方图这样的很有意义的工具，让我从另外一个角度看待一副图像。与现实实际结合起来，就发现灰度直方图其实很多时候和图像的美化联系到了一起。手机里的自动美化自动优化就运用到了，将灰度直方图变更为人们喜欢的那样的有灰度差的灰度直方图。
在课程的第一二节课还接触到了高斯滤波。明白了皮肤美化的原理，这是我听得最清楚的一个原理，因为它是第一二节课上的内容，往后就听得云里雾里了。主要还是我自己不是搞深度学习这个方向的人，还是不够熟练掌握那些基本概念