算法-卷积梳理

之前觉得卷积这一块很难，实际看过来发现很好理解，学习是先把书读薄了，再把书读厚了。于是基于目前读薄的状态，在此尝试把书读厚。

一些概念

CNN实现基本概念：
特点：过滤器（卷积核）、感知区域、子采样集权重共享、特征图谱FM
结构：卷积层、RELU、池化层、全连接层
通用概念：前向传播、损失函数、反向传播、权重更新
超参数： 步数、padding

• 11N的过滤器 等同于全连接层
  1x1卷积实际上是对每个像素点，在不同的channels上进行线性组合（信息整合），且保留了图片的原有平面结构，调控depth，从而完成升维或降维的功能
  全连接层：每个输出节点与输入节点全部连接，卷积层为部分连接（子采样集共用权重）

• Inception 一次性使用多个不同filter size抓取 减少尺寸的影响

• 跳层连接 残差网络 resNet

个人理解的简单描述

在对图像进行处理时，由于图像的数据以像素点为单位，如果使用全连接层进行训练，训练数据量巨大。而由于图像自身的特殊性，对每一个像素点进行拟合是意义比较少的的一件事情，而对它采集子样本（感知区域）喂出的训练器，同样适合图像任一位置的子样本，于是通过过滤器对其进行子采样，共享该过滤器的权重，检测出该过滤器对应的特征图谱。
像素点通过非全连接形式与特征图谱对应，而输入的depth则需要与过滤器的相应维度的权重进行全连接对应。
通过增大过滤器的数量，可以定义学习到的特征数量。

fast RCNN

结构：

1. conv layer: 13个conv 13个relu 4个池化层
2. RPN 没太看懂 总之就是一个利用anchors优化滑动窗口的过程
3. ROI pooling 对RPN选择的proposal提取特征
4. Classification 计算proposal的类别

引用：
CNN（卷积神经网络）是什么
一文读懂Faster RCNN