このノートでは、第5章PaddlePaddlePPT内容に応じて統合をまとめたもの。
- アウトライン
1.1対象の画像認識
1.2画像認識の挑戦
Lセマンティックギャップ（セマンティックギャップ）現象：底部および上部ギャップ意味概念間の画像の視覚特性
基本的なフレーム画像認識1.3
宇宙カテゴリ特徴空間の測定空間
- 従来の画像認識技術
2.1初期の画像認識技術（1990から2003）
2.1.1特徴抽出
Lグローバル特徴抽出：グローバル根底の視覚特性の統計によって表される画像
画像は、ベクトルとして表される：元の画像ベクトル空間マッピングベクトル表現
グローバル機能例1：色、テクスチャ特徴量、形状特徴
フィーチャーリットル変換は：パフォーマンス向上機能を表し
Lマニホールド（マニホールド学習）学習：低次元空間におけるベクトルとして表さ高次元データのマッピングを
センタリング、正規、非相関性、美白：lは、単純な機能を変換します
2.1.2インデックス
2.1.3適合フィードバック
2.1.4並べ替え
2.2中間画像認識技術（2003から2012）
2.2.1特徴抽出
Lローカル機能（ローカル機能）：画像ブロック（パッチ）ベクトル
L前記検出器（特徴検出器）：画像ブロックの中心位置を検出する（関心点）
L特性記述子（特徴Desciptor）：ビジュアルコンテンツ記述ブロック
Lローカル検出サブ：ハリス、犬、SURF、ハリスアフィン、ヘッセアフィン、MSER
L局所記述子：、SIFT PCA-SIFT、GLOH、コンテキストの形状、ORB、COGE
2.2.2ベクトル化
視覚的な単語にL局所特徴（すなわち量子化された特徴、機能の量子化）：変換イメージIDのための視覚的単語、局所的な特徴ベクトルを探します
lの量子化技術の共通の特徴：階層1-NN、KD-ツリー
Lは、視覚単語に基づいて画像を表します。
ローカル画像特徴視覚的な言葉、視覚単語ヒストグラムバッグ→
2.2.3インデックス
リットル転置インデックス
L分類：TF-IDF重み付け（用語頻度 - 逆文書頻度）
2.2.4治療
クエリ拡張L：より多くのクエリ用語を含む、オリジナルの局所的な特徴となるよう、そして拡張されたクエリ
他の後処理技術L：ローカル幾何検証（ローカル幾何学的検証）、量子化製品（製品量子化）
- 深さの学習と画像認識
3.1深学習開発プロセス
画像の分野におけるアプリケーションL深さ研究：画像検索、異常な腫瘍を同定、画像記述、着色画像
3.2なぜ深い学習を使用
リットル人間の脳の視覚メカニズム：1）感情の段階に応じて - 情報収集2）視覚の段階 - 認知情報
ニューラル1 - 中心 - 脳：吸気原信号（ピクセル） - 予備処理（エッジ方向） - 抽象（形状） - 抽象以上（具体的にはオブジェクト）
深い学習を使用する方法3.3
画像認識深学習ソリューションを使用する方法3.3.1
所望Lの機械学習（学習の深さ）を使用して：適切な機能を見つけること
3.3.2これらの手順を実行します。モデリング（人）、機能の喪失（人）、パラメータ学習（機械）
3.3.3モデル
L一般的な活性化機能：シグモイド、双曲線正接、ARCTAN、ReLU、PReLU
Lプレニューラルネットワーク：入力層、中間層→→出力層
例リットルモデル：AlexNet、VGG、GoogleNet、残留ネット
出力層L：出力層の関数としてソフトマックス活性化関数、よりよい計算さ理解しやすいです
Lは、適切なネットワーク構造を提供し：層の数、ノードの数、活性化関数を
3.3.4損失関数
一般的損失関数L：二次損失関数、クロスエントロピー損失関数
lの全損失：
3.3.5パラメータ学習
リットルの勾配降下：
リットルのバックプロパゲーション：連鎖法則
- 実践コース
lの顔認識