特征提取

傳統神經網絡：參數矩陣很大，訓練時間長，
怎么樣提特征是最好的方法。

1 應用領域

1 檢測任務

2 分類和檢索

3 超分辨率重構

4 醫學任務

5 無人駕駛

6 人臉識別

2 卷積的作用

特征圖：

3 卷積特征值計算方法

每個通道都要去做

多通道分別去做的。

4 得到特征圖表示

5 步長和卷積核大小對結果的影響

1 步長

2 卷積核

一般都是3X3以上的。3X3是常見的。

6 邊緣填充方法

越往中間的點計算的次數越多，會導致中間的重要，邊界的不重要，需要解決這個問題。
加了圈0，如果不是1會影響其他特征。一般是填充一圈。

7 特征圖尺寸計算與參數共享

卷積神經網絡好訓練。

8 池化層的作用

最大池化好：壓縮，過濾，縮減的過程

9 整體網絡架構

只有帶參數的才叫做層。

10 VGG網絡架構

12年

14年：
VGG 參數沒變，就變了網絡層數，就提高了。16層最好

11 殘差網絡

全用經典網絡就可以了。
經典網絡，特征提取。

12 感受野的作用

感受野越大越好。