1.动物视觉历史
2.猫视觉的试验，猫的初级视觉细胞对边缘产生回应
猫视觉系统存在层级结构，对应现在的卷积操作和池化操作
3.计算机视觉发展历史 （直接分类-->手动提取特征-->神经网络）
卷积神经网络：针对图像任务提出的神经网络
没有反向传播算法更新权值，模型性能有限
无大量数据和高性能计算资源
感受（视）野：神经元存在局部感受区域
x表示有响应，三角表示无响应
细胞对角度有选择性
对CNN启发
（1）视觉系统是分层、分级的进行处理，从低级到高级的抽象过程，堆叠使用卷积和池化
（2）神经元实际上是存在局部的感受区域的，具体说来，它们是局部敏感→神经元局部连接？
4.目标检测的数据集合 pascal voc
5.Imagenet数据集合
6.sift feature 是什么，可以用来干什么。金字塔匹配思想是什么，可以用来干什么。 hog特征是什么，可以用来干什么。了解一下pascal voc数据集合及imagenet数据集合
7.近邻算法
k值选择，度量距离，分类决策规则
L1曼哈顿距离，非距离不变量。大小取决于选择的坐标系统
L2欧几里得距离，大小跟坐标系统无关。
下面哪个关于k-最近邻(k-NN)的陈述在分类设置和所有k是正确的?选择所有应用。
1. 1-NN的训练误差总是比5-NN的训练误差好。
在训练集中，取样本的top1肯定是样本自己，而取top5里面不一定是该label的样本最多，所以top1一定比top5好
2. 1-NN的测试误差总是比5-NN的测试误差好。
在测试集中，是不一定的，有可能top1好，有可能top5好
3.k-NN分类器的决策边界是线性的。
knn的决定边界不是线性的，而是每次根据算出来的结果去找出现最多的label，[更多内容](https://blog.csdn.net/HJWdm/article/details/26239907)
4. 使用k-NN分类器对测试样本进行分类所需的时间随着训练集的大小而增长。
如果训练集变大了，那么每个测试样本过来需要和所有的训练样本计算距离，时间当然变长了
图像识别的特点：
特征具有局部性，特征可能出现在任何位置，下采样不改变图像目标
参数共享：
特征图：对图像特征提取的输出
填充：padding
使卷积后图像分辨率不变，方便计算特征图尺寸的变化弥补边界信息“丢失".
特征图尺寸计算
输出尺寸 = 输入尺寸-卷积核尺寸+2*padding /步长 +1
多通道的卷积：RGB图像卷积是2D卷积，视频等加入时间维度的才是三维卷积
池化：下采样图像不会改变图像特征的相对位置
用一个像素代替一块像素
步长=2的卷积相当于池化，将图像的分辨率降低一半
池化是一种特殊的卷积
1.缓解卷积层对位置的过度敏感(对异常点敏感)
8 优化
这部分主要包括两个内容一个是优化方法。另一个是传统图像识别方法两步走策略。
优化方法 主要是学习常用的优化算法学习，例如梯度下降，带动量的梯度下降以及Adam等一系列优化方法。其中本节课提到了梯度、导数的含义以及学习率这个重要的超参数，这个超参数是我们训练神经网络需要首要考虑的。随机梯度下降使用minibatch数据来估计总的误差以及梯度，这样速度比使用全部数据计算更快。
两步走策略重点介绍了传统方法如何做图像分类任务。第一步提取图像的特征：颜色分布，HOG, SIFT特征，bag of words。第二使用步分类算法进行识别图像类别。
梯度下降常用的优化策略 sgd adam等方法是大家重点要学习的 ，两步走策略进行图像识别步骤 需要了解。
2.减少冗余
3，降低图像分辨率，从而减少参数量
计算机视觉的思想
1.模板匹配的方法：W是特征矩阵，列向量是展成的像素矩阵，有点像码分复用
