CNN的知识:
基本流程:卷积-ReLU-池化
重点就是特区函数特征,然后训练计算各个参数权重 (先初始化权重,然后通过模型训练不断地更新权重得到)
经过误差反向传播 ,学会找到卷积核,权重
超参数:初始指定的卷积核数目尺寸
1.卷积
卷积核(特征提取器)
卷积运算,不同的卷积核对原图进行运算就能提取出不同的特征
2.池化
将得到的FeatureMap缩小,池化要求一定要保留原特征图的特征
最大池化:选择被扫描区域内的最大值,平均池化:取被扫描区域内的平均值
在处理边缘时的操作称为(Padding)如果对图像采用最大池化,则在边缘补零来提取边缘特征
3.ReLU激活函数(修正线性单元)
把负数抹成零
4.全连接层
特征图们展开得到一条特征数组,对数组按目标图的数组权值操作得到一个判断是否为目标的概率数。
FaceNet:(其他博主连接)
triplet_loss:使同一个人的欧氏距离缩小,不同人的欧氏距离扩大
facenet的主干网络起到提取特征的作用
详见 Pytorch 搭建自己的Facenet人脸识别平台
MTCNN:
详见 Keras搭建mtcnn人脸检测平台
配套B站视频