罗浩老师行人重识别课程记录

• 卷积核在图像处理领域的物理意义： 一个卷积核卷一次图像 就是在提取一副图片的特征，所以，卷积就是在提取特征。不同的卷积核卷积图像会得到图像的不同特征，一次卷积操作对应着一次特征提取

• CNN的平移不变性： CNN对于同一张图片及其平移后的版本，都能输出同样的结果

• 感受野： 感受野指的是一个神经元与输入层连接神经元组成区域，卷积和池化操作都会改变感受野的大小

  

• 卷积神经网络三特性： 1. 局部连接 底层神经元更注重局部细节并且局部神经元减少了参数量 2. 权值共享 可以使用一个卷积核对整副图像进行卷积，参数量进一步缩小 3. 池化

• 池化的作用： 1. 扩大感受野 池化会进一步缩小原图像 从而使感受野扩大。2. 层次特征 浅层特征关注的局部的细节特征——纹理、颜色 高层关注的是更加抽象的全局特征——轮廓、类别

• 卷积神经网络为什么需要深度？ 层数越多，表达能力越强。不同的深度提取不同层次的特征，浅层的感受野很小，只能关注很小的局部的区域，随着深度的增加，关注的区域越来越大，比如，对于人脸来说，浅层可能关注一些边角信息，中层关注一些眼睛、鼻子一类的特征，高层可能就会关注一些到人脸完整的特征

• 深度卷积神经网络的构成：

  • 卷积层： 一个卷积核对图像进行卷积之后会得到1个特征图，当有多个卷积核(每个卷积核会提取图像的一种特征 并且卷积核不是二维的，是三维的，对应长宽深三个维度，卷积核的深度与当前图像的深度(feature map的张数)相同，所以指定卷积核时，只需指定其长和宽两个参数)卷积图像之后，会得到多个特征图(即一个图像的多种特征)
  • 池化层： 池化层没有任何需要学习的参数，作用是将特征图的大小进行压缩(也就是下采样