1.图像分类 • 2.神经网络原理 • 1.卷积神经网络介绍 • 2.利用caffe搭建深度网络做图像分类
挑战：光照变化+形变。类内变化。
标签、预测函数，泛化能力。
如何提高泛化能力？需要用图像特征来描述图像。
颜色特征：直方图。
形状特征：PCA降维。
局部特征细节、纹理。
SIFT特征：局部，4*4区域的16格内，每个格子内算8维梯度，拼成128维特征。用于检测匹配。
HOG：检测目标形状。用于检测、跟踪。
LBP：对区域编码，适合处理人脸，对称的均匀的。可以有效捕捉响应。
Harr：滤波器。边缘。
VLFeat - Home http://www.vlfeat.org/
SVM分类：
最大化间隔：
CNN特征：大量图像中学习出来的特征。Imagenet1000类。
神经网络做图像分类：
CS231n Convolutional Neural Networks for Visual Recognition http://cs231n.github.io/convolutional-networks/
神经网络搭建：
神经网络的基本单元：神经元
激励函数：
卷积层：
卷积滤波的计算：
Stride = 1, pad =2,
输出的尺寸=（输入尺寸+2*pad-kernel_size）/stride + 1
卷积层可视化：
卷积提取的特征为什么有效果。传统的只是表层特征，深层特征无法获得。
池化层(pooling layer)：平均池化、最大池化。特征亚采样。
特征表达更加紧凑，同时具有位移不变性。
全连接层：全连接权重是W。
损失函数：
• SIGMOID_CROSS_ENTROPY_LOSS
• SOFTMAX_LOSS
• EUCLIDEAN_LOSS
• Contrastive loss
• Triplet Loss
不同的task对应着不同的loss
交叉熵损失函数（SIGMOID_CROSS_ENTROPY_LOSS）：
Sigmoid函数把负无穷到正无穷压缩到-1~+1。应用于二分类问题。
Softmax 损失函数（SOFTMAX_LOSS）：多分类问题
欧式距离损失函数(EUCLIDEAN_LOSS)：
对比损失函数(Contrastive loss)：用于图像分类、检索。
训练 Siamese 网络，用来计算两个图像之间的相似度,image match。输入两张图。
Triplet loss：三元，输入三张图。
http://blog.csdn.net/tangwei2014/article/details/46788025
训练网络、测试
http://caffe.berkeleyvision.org/tutorial/forward_backward.html
Caffe 实现一个图像分类任务 • 安装教程 ：
• Windows环境：http://www.cnblogs.com/trantor/p/4570097.html
• Linux环境：http://www.cnblogs.com/denny402/p/5067265.html