【计算机视觉图像处理】这也太全了！图像处理、特征提取、目标检测、人脸识别、图像分

二、图像预处理

RGB加法混色（叠加白）

CMYK减法混色（叠加黑）

HSV色调饱和度

CIE-XYZ

图像预处理实际就是图像增强

图像预处理方法

点运算就是对直方图进行运算

分段（解决亮暗问题）

CLAHE 自适应直方图均衡

空间域卷积就是频域上×

卷积填充

最好的是补零的方式，尽量避免用大的卷积核去卷积，可以把大的卷积核变成若干个小的卷积核

高斯核越大图像越模糊，越小关注区域越集中

用在高斯金字塔

计算量减小，变成两个一维的

拉普拉斯滤波器整个元素相加为0

凸显细节（锐化）

三 图像特征提取

基于关键点

一阶导数取到极值是图像的边缘

四 神经网络

BP神经网络

只能变权重

期望的输出和实际的输出越接近越好

目标函数降到最小

局部最小值

前面传过来的残差是一个加权和

目标函数：交叉熵

先特征选择，再特征提取（先要有，再选能用的）

隐藏层的作用就是特征提取

前向传播是为了计算损失，反向传播为了更新权重。

五 深度学习基础

1.选择合适的目标函数

第一个y是实际的，第二个是计算机跑出来的

2.softmax层（全连接层）

3.梯度消失

若干层叠加没梯度了

4.激活函数

不会使梯度越来越小

5.学习步长的设置（优化器）

通过轮次来调整学习步长，越来越小

解决办法：（优化器）

① 设置动量

②改进（现在常用的）

避免被当前梯度带偏

③Adagrad

小了可以变大，但是变大了就不能变小了

④RMSprop

整个趋势学习步长一点点减小

⑤Adam（效果最好）

总结：上面几种优化器的比较

自适应方式

SGD随机梯度下降

算法选择：

6.如何避免过适应

权重变小！！

①早期停止训练

②权重衰减

让无用的权重尽可能为0

③Droput

大的网络中随机构造小的网络，测试时都起作用

六 CNN

1.卷积层

权重的参数是机器自己学习得到的

通道数取决与卷积核的数量

卷积核的通道要与前面图片的通道数相同

卷积核的数量与卷积后的通道数相同

明显的改善梯度消失

②池化层

通道数不变，尺度大小变小

最大池化的效果高于平均池化

③全连接层（softmax）

关于残差网络回顾

误差反向传播

图片分类

两个并行的通路

最大池化的位置要注意

卷积的表达形式

VGG层数变深了