深度学习在计算机视觉中的应用

Q1：卷积深经网络有什么特性？

• 平移不变性（translation invariant）：卷积神经网络学习到的模式具有平移不变性，即卷积神经网络在图像中右下角学习到某个模式之后，它可以在任何地方识别这个模式，比如左上角。视觉空间从根本上也具有平移不变性。
• 卷积神经网络可以学习到模式的空间层次结构。如下图1所示：第一层学习到的是较小的局部模式（比如边缘），第二层学到的是由第一层特征组成较大的模式，越往上学习到的越复杂、越抽象的视觉概念
• 
• 卷积层和密集连接层（比如之前学到的BP神经网络）不同的是：卷积层学习到的是局部的模式，学到的就是输入图像在特定尺寸的窗口中的模式；而密集连接层学习到的是全局的模式，全局模式是针对所有像素点的模式。

Q2：响应图（特征图）

举个例子，这个单个过滤器可以是垂直边缘检测器或者水平边缘检测器，检测输入图像中的水平/垂直边缘。

　　　　　　　　　　　　　　　　　　　　　　                                        图3、垂直边缘检测，中间是垂直边缘检测滤波器

Q3、卷积的工作原理

注：卷积滤波器的深度与输入特征图的深度相同；输出特征图的深度与卷积滤波器的数量相同。

Q4、填充（Padding）的作用？

填充是在输入特征图的每一边添加适当数目的行和列，使得每个输入方块都能作为卷积窗口的中心。

• 填充避免了每次执行卷积后，输出图像缩小。
• 避免了图像边缘的像素点只是用了一次，导致图像边缘的大部分信息丢失。

深度学习在计算机视觉中的应用

原文：https://www.cnblogs.com/xiazhenbin/p/13209141.html