文章目录
计算机视觉与图像处理的区别
-
图像处理得到的结果是处理后的图像,图像处理的目的是改善图像的质量
- 图像增强
- 图像复原
-
计算机视觉得到的结果可能是一个符号、一堆数据、一个知识
- 人脸识别
- 人脸比对
-
传统的图像识别的机器学习方法的一般流程包括:
- 特征提取→数据
- 数据→机器学习
-
为什么要提取图像的特征
- 提取有利于识别的信息,抑制与识别无关的或者对识别有干扰的信息
- 把不同尺度的图像映射到一个统一的特征空间,便于应用机器学习算法。
-
机器学习的框架:D数据,A算法,H假设空间,h* H中最好的假设(真实误差最小的假设)
-
概率近似正确
人工神经元
感知机 - 分类任务
- 感知机算法在线性可分的情况下,一定可以收敛,也就是一定可以找到一个能正确分类所有样本的分类函数
- 但是同一个样本集,有可能会得到不同的解
- 不同的初始值,不同的样本处理次序产生的结果不同
- 不能得到全局最优的解
- 线性不可分的时候,算法会失败
解决方法:次梯度
Sigmoid神经元/对数几率回归
只有激活函数的不同,sigmoid处处连续可导,输出的是对数几率
对数损失/交叉熵损失函数
损失函数通过比较模型对样本X的预测结果与样本的真实类别y之间的差异,计算损失,差异越大,损失越大,差异越小,损失越小。
梯度下降法- 极小化对数损失函数
线性神经元/线性回归
均方差损失函数-线性回归常用损失函数
使用梯度下降法训练线性回归模型
是对w,b进行更新
一元导数与微分的关系:
d
f
/
d
x
=
f
′
一元导数与微分的关系:df/dx=f'
一元导数与微分的关系:df/dx=f′
全微分:
d
F
=
(
α
F
/
α
x
)
d
x
+
(
α
F
/
α
y
)
d
y
全微分:dF=(αF/αx) dx+(αF/αy) dy
全微分:dF=(αF/αx)dx+(αF/αy)dy
线性分类器
α
∗
β
=
∣
α
∣
∗
∣
β
∣
c
o
s
<
α
,
β
>
(
α
,
β
为向量),其中
∣
β
∣
c
o
s
<
α
,
β
>
称为
β
在
α
上的投影
α*β=|α|*|β|cos<α,β>(α,β为向量),其中|β|cos<α,β>称为β在α上的投影
α∗β=∣α∣∗∣β∣cos<α,β>(α,β为向量),其中∣β∣cos<α,β>称为β在α上的投影
多分类器的决策面
决策面是可以把各种分类分开的一个面,在三级分类中,决策面应该在超平面的角平分线处划分
softmax Regression
训练softmax regression
交叉熵损失
解决参数冗余
可以使用一个正则化项:选择损失函数小且Ω也小的
训练softmax Classifier
混淆矩阵
合页(铰链)损失