【opencv理论与实践】一,基础知识

一，机器学习和人工智能，深度学习的关系

计算机视觉的应用

图像分类（CNN）

目标检测（RCNN）

目标跟踪

语义分割（FCN）

实例分割（Mask R-CNN）

机器学习的数学基础

1.向量

向量：简单理解就是有向线段。

2.线性变换

3.矩阵

矩阵乘法：两个矩阵相乘，需要满足A的列数等于B的行数
矩阵乘法不满足交换律
单位矩阵:是一个n x n 的矩阵，从左到右的对角线上的元素是1，其余元素是0.
逆矩阵:逆矩阵和原矩阵相乘为单位矩阵
奇异矩阵：当一个矩阵没有逆矩阵的时候，该矩阵为奇异矩阵
矩阵的转置：行和列互换
对称矩阵：如果一个矩阵转置后等于原矩阵，那么这个矩阵就称为对称矩阵
一个矩阵转置和这个矩阵的乘积就是一个对称矩阵
欧式变换：旋转和平移
齐次坐标：用N+1维莱代表N维坐标

4.导数和偏导数

导数：就是曲线的斜率，描述曲线变化快慢的物理量，同时曲线的极大值点处导数为0
偏导数：多元函数中，求导时把其他每一个变量看成常量。

5.梯度

梯度：表示某一函数在该点处的方向导数沿着该方向取得最大值。
多元函数求梯度：对多元函数的各个变量求偏导数，并把求得的这些偏导数写成向量形式。

梯度下降法：寻找函数极小值的方法。
普遍做法：给一个随机参数的初始值，按照当前点对应的梯度方向的反方向，并按事先给定好的步长大小，对参数进行调整，多次调整，函数会逼近一个极小值。

梯度下降法存在的问题：
1.参数调整缓慢
2.收敛于局部最小值

6.概率学基础

1.概率：1)：P($\overline{A}$) = 1-P(A);
2): P(A - B) = P(A) - P(AB);
2.数学期望（均值）：一事件平均发生的概率。
$E(x)={\int }_{-\infty }^{+\infty }xf(x)$
3.方差：用来刻画随机变量x和数学期望E(X)之间的偏离程度。
$S^2=\frac{1}{n}[(x_1-x{)}^2+(x_2-x{)}^2+...+(x_{}$