深度学习在图像处理中的应用

的形状、粗细的特点来人为的制定一些规则,基于这些规则判断输入图像是哪个数字。Р方案2:通过训练集(xi,yi) i=1,2…N学习一个模型f的参数,使y=f(x)Рy=f(x)Р7Р9Р4Р1Р训练(Train)Р推断(Inference)Р规则a.有且仅有一个中空的区域Р规则b.中空区域的下方有较大的连通区域Р数字 9Р同时满足规则a和规则b判定为Р特征提取Рy=f(x)Р7Р9Р4Р1Р训练(Train)Р推断(Inference)Рy=f(x)Р7Р9Р4Р1Р训练(Train)Р推断(Inference)Р特征提取Р特征提取Р将原始图像直接作为分类器的输入,效果并不好。?常用的分类器有Logistic Regression, Decision Tree, ?Support Vector Machine等Р于是研究人员就根据图像的特点,提出一些特征,把对图像提取的特征输入到分类器,效果提升了。?常用的特征有直方图,梯度直方图,SIFT等。Р特征提取Р9?Р边缘提取Рy=f(x)Р分类器Р9?Р边缘提取Р直方图Рy=f(x)Р分类器Р9?Р边缘提取Р直方图Рy=f(x)Р分类器Р稀疏编码Р9?Рy=f(x)Р分类器Р1.不需要专业知识?2.多层学习Р特征学习Р特征提取Р……Р……Р……Р……Р……Р……Р……Р……Р……Рy=f(x)Р分类器Р9?Р1.图像的二维结构被破坏?2.全连接网路权重(参数)数量太多,容易过拟合,需要大量训练样本Р9?Рy=f(x)Р分类器Р特征学习Р深度学习Р深度神经网络在图像中应用广泛的最主要原因是:效果好!Р……Р……Р……Р……Р……Р……Р……Р……Р……Рy=f(x)Р分类器Р9?Р目录Р手写数字识别的例子?深度学习到底是什么?卷积神经网络?卷积?激活?池化?生物学依据?卷积神经网络的经典结构?常见的图像处理问题?卷积神经网络的问题