2018-11-23毕设讨论

讨论了论文<基于小波的特征增强在卷积神经网络中应用>中的几个实现问题，和进一步的方向。
论文主要介绍了两种方法来预处理图像：小波分解以后去除低频分量再重构、分解后对高频分量进行极大模边缘提取。
一开始，我想当然的以为只是把预处理完的图片丢进去，就行了，然而得到的识别率比不用甚至还要低，因为原本的信息损失了或是损坏了，降低了识别率也是意料之中，所以就觉得这个不可理喻，甚至怀疑论文的真实性，但是早上老师在开会的时候，自己又仔细看了一下论文，发现预处理层的操作有一个细节，那就是原本的图像从处理完以后变成了，也就是说，多了一层东西，所以那一层就是我们特征增强所得到的东西，这样一来，就不会丢掉原来的信息，然后由于多了一层，也就是在告诉机器，边缘信息比较重要，值得占1/4的空间来放，所以在识别的时候，边缘信息所占的权重就增加了，识别率有可能上升也就说得通了。在和老师讨论之前，抓紧时间改了程序，跑了几次，发现一开始识别率上升得会快一点点，但是还需大量的实验来作平均，排除偶然误差的影响。
老师建议使用cifar-10来进行更好的区别识别率，的确自己感受了一下fashion_mnist其实也没想象中那么好，只是整体的识别率下降了，但是信息量照样只有，所以区分度不大，但是cifar-10里面有背景，有很多噪声，无关的东西，信息达到下一步需要进一步弄通彩色图像处理。
然后是下一步的方向，除了复现验证之外(其实这只是很小的一部分东西，要从他的思路出发，也要从他的思路跳出)，更重要的是更退一步，从全局来分析，神经网络这个黑盒子的输入和输出之间的关系，例如输入图形的顺序，预处理的方式(测试集或训练集，加或不加噪声、别的对高频信息处理方式、以及别的预处理方式)。