目标检测要求和识别办法.ppt

卷积神经网络的训练方法 卷积神经网络的训练方法 卷积神经网络的训练方法 递归神经网络 Recurrent Neural Networks 递归神经网络 LSTM * * * * * * * * Humans don’t start their thinking from scratch every second. As you read this essay, you understand each word based on your understanding of previous words. You don’t throw everything away and start thinking from scratch again. Your thoughts have persistence. * * The key to LSTMs is the cell state, the horizontal line running through the top of the diagram. The cell state is kind of like a conveyor belt. It runs straight down the entire chain, with only some minor linear interactions. * 神经网络的表现能力 神经网络的表现能力 神经网络的表现能力 神经网络的表现能力 卷积神经网络 卷积神经网络 卷积神经网络 卷积神经网络 卷积神经网络 卷积神经网络 卷积层的作用 卷积神经网络 卷积神经网络 卷积神经网络 池化层的作用 卷积神经网络 卷积神经网络 激活函数 卷积神经网络 卷积神经网络 卷积神经网络 卷积神经网络 Softmax层的作用 卷积神经网络 卷积神经网络 网络的预处理 卷积神经网络的实例 Alexnet 卷积神经网络的实例 Alexnet 卷积神经网络的实例 FCN网络 卷积神经网络的实例 FCN网络 卷积神经网络的实例 FCN网络 卷积神经网络的训练方法 卷积神经网络的训练方法 卷积神经网络的训练方法 卷积神经网络的训练方法 卷积神经网络的训练方法 卷积神经网络的训练方法 主成分分析(PCA, K-L变换) 降低特征向量的维数 获得最主要特征分量，减少相关性； 避免维数灾难 主成分分析(PCA, K-L变换) 主成分分析(PCA, K-L变换) Eigenfaces 学习 1. 计算训练图像的均值和协方差矩阵. 2. 计算协方差矩阵的特征值，取前k个最大特 征值对应的特征矢量. 3. 将图像投影到k-维特征空间 （Eigenspace）。 识别 1. 将测试图像投影到Eigenspace. 2. 在特征图像上执行分类. Eigenfaces: 训练图像 Eigenfaces PCA方法的不足 可能损失重要的细节信息 方差最小的方向也可能是重要的 没有考虑判别任务 希望得到最具判别能力的特征 但判别能力最佳并不等同于方差最大 Fisherfaces：类特定的线性投影 PCA Fisher的线性判别函数 PCA Fisher的线性判别函数 Fisherfaces示例（ORL Database） 基于eigenfaces/fisherfaces的识别 训练： - 根据训练图像，利用PCA或Fisher方法确定投 影矩阵 - 将每个训练图像投影到子空间（eigenspace或fisherspace）。 识别： - 将测试图像投影到eigenspace或fisherspace。 - 子空间中距离测试图像最近的训练图像对应的类别为识别结果。 Project5：人脸合成 平均 人脸 平均 就是 美 Project5：人脸合成 Project5：人脸合成 Project5：人脸合成 Project5：人脸合成 Project5：人脸合成 FantaMorph，人脸合成软件 Project5：人脸合成 FantaMorph，人脸合成软件 手动标定人脸 Project5：人脸合成 FantaMorph，人脸合成软件 手动标定人脸 Project5：人脸合成 FantaMorph，人脸合成软件 产生多张合成图像，随机或者平均输出 Project5：人脸合成 Task：利用人脸检测算法，将上述过程改为自动完成，实现自动人类合成。 第三节 深度学习导引 第三节 深度学习导引 第三节 深度学习导引 第三节 深度学习导引 第三节 深度学习导引 第三节 深度学习导引 第三节 深度学习导引 第三节 深度学习导引 神经网络的基本结构 神经网络的大量参数 生成学习 vs. 判别学习 两种分类器学习模式 生成学习 ---目标是学习到符合训练数据的类别模型 --- 如