一、学习内容
目标检测: fast r-cnn、ssd、yolov3
二、所需知识
图像处理基础知识
python3基础语法
numpy 科学计算包
了解pytorch
数学基础(线性代数)
三、所需环境
anaconda3 python3.6 pycharm pytorch torchvision
沟通方式:github csdn
四、卷积神经网络(cnn)发展
五、全连接层
- 神经元
- bp算法:包括信号的前向传播和误差的反向传播两个过程。计算误差时按从输入到输出的方向进行,调整权值和阈值则从输出到输入的方向进行。
- 实例:利用bp算法实现车牌识别(可以再看视频回忆)
六、卷积层(cnn中独特的网络的结构)
- 用一个卷积核在图像上已滑动窗口的形式顺序滑动。
- 目的:进行图像特征提取 卷积特性:
1、拥有局部感知机制
2、权值共享 卷积过程: 卷积核的深度(个数)与输入特征层的深度(个数)相同。 输出的特征矩阵深度(个数),与卷积核个数相同
- 激活函数:
- 矩阵经卷积操作后的尺寸由什么因素决定:
七、池化层:
- 目的:对特征图进行稀疏处理,减少数据运算量
- maxpooling下采样层:取的最大值
- averagepooling下采样层:取的是平均值。 池化层特点:
没有训练参数 只改变矩阵的宽度和高度,不改变深度 一般池化大小和步距是一样的。
八、回顾
全连接层
卷积层
池化层