zoukankan      html  css  js  c++  java
  • CV2——学习笔记-图像分类

    1.图像分类 • 2.神经网络原理 • 1.卷积神经网络介绍 • 2.利用caffe搭建深度网络做图像分类

    挑战:光照变化+形变。类内变化。

    标签、预测函数,泛化能力。

    如何提高泛化能力?需要用图像特征来描述图像。

     

    颜色特征:直方图。

    形状特征:PCA降维。

    局部特征细节、纹理。

    SIFT特征:局部,4*4区域的16格内,每个格子内算8维梯度,拼成128维特征。用于检测匹配。

    HOG:检测目标形状。用于检测、跟踪。

    LBP:对区域编码,适合处理人脸,对称的均匀的。可以有效捕捉响应。

    Harr:滤波器。边缘。

    VLFeat - Home http://www.vlfeat.org/

    SVM分类:

    最大化间隔:

    CNN特征:大量图像中学习出来的特征。Imagenet1000类。

    神经网络做图像分类:

    CS231n Convolutional Neural Networks for Visual Recognition http://cs231n.github.io/convolutional-networks/

    神经网络搭建:

    神经网络的基本单元:神经元

    激励函数:

    卷积层:

    卷积滤波的计算:

    Stride = 1, pad =2,

    输出的尺寸=(输入尺寸+2*pad-kernel_size)/stride + 1

    卷积层可视化:

    卷积提取的特征为什么有效果。传统的只是表层特征,深层特征无法获得。

    池化层(pooling layer):平均池化、最大池化。特征亚采样。

    特征表达更加紧凑,同时具有位移不变性。

    全连接层:全连接权重是W。

    损失函数:

    • SIGMOID_CROSS_ENTROPY_LOSS

    • SOFTMAX_LOSS

    • EUCLIDEAN_LOSS

    • Contrastive loss

    • Triplet Loss

    不同的task对应着不同的loss

    交叉熵损失函数(SIGMOID_CROSS_ENTROPY_LOSS):

    Sigmoid函数把负无穷到正无穷压缩到-1~+1。应用于二分类问题。

     

    Softmax 损失函数(SOFTMAX_LOSS):多分类问题

    欧式距离损失函数(EUCLIDEAN_LOSS):

    对比损失函数(Contrastive loss):用于图像分类、检索。

    训练 Siamese 网络,用来计算两个图像之间的相似度,image match。输入两张图。

    Triplet loss:三元,输入三张图。

     

    http://blog.csdn.net/tangwei2014/article/details/46788025

    训练网络、测试

    http://caffe.berkeleyvision.org/tutorial/forward_backward.html

    Caffe 实现一个图像分类任务 • 安装教程 :

    • Windows环境:http://www.cnblogs.com/trantor/p/4570097.html

    • Linux环境:http://www.cnblogs.com/denny402/p/5067265.html

  • 相关阅读:
    为什么富人越来越富,穷人越来越穷?
    计算几何基础_点_向量_极角排序
    滑窗模板_双向队列
    后缀数组
    AC自动机
    RMQ_ST表
    二叉树求逆序对(伪AC 23333)
    分块
    莫队
    树状数组_二维
  • 原文地址:https://www.cnblogs.com/wxl845235800/p/11365443.html
Copyright © 2011-2022 走看看