阅读桑迪潘·戴伊的《Python图像处理实战》笔记十一

十一、图像处理中的深度学习—图像检测等

1.检测目标的全卷积模型——YOLOv2

（1）使用卷积神经网络检测目标
两个步骤：首先，使用小而紧密裁剪的图像训练卷积神经网络进行图像分类；其次，使用不同窗口大小的滑动窗口和事先学习该窗口内的测试图像进行分类，并按顺序在整个图像中运行窗口，但其计算十分慢。
卷积层作为特征提取器，全连接层作为分类器。

2.利用DeepLab v3+的深度语义分割、

语义分割是指在像素层对图像的理解，要为图像中的每个像素分配一个目标类（语义标签）
DeepLab提出一种用于控制信号抽取和学习多尺度上下文特征的架构，包含

三个主要组成部分：ResNet架构、空洞卷积和空洞空间金字塔池化（ASPP）

3.迁移学习——什么是迁移学习以及什么时候使用迁移学习

迁移学习是一种深度学习策略，通过将解决一个问题所获得的知识应用于另一个不同但相关的问题来重用这些知识。重用卷积层作为特征提取器，学习低阶和高阶图像特征，并且只训练全连接层权重。

4.通过使用预训练Torch模型的cv2实现神经风格迁移

NST算法通过优化代价函数来获取像素，实现通常使用预训练的卷积网络，三大部分损失函数：内容损失、风格损失和总变异损失，每个部分都是单独计算的，然后组合在单一的损失函数中。