计算机视觉与深度学习课程记录

**

课程出自 北邮的 鲁鹏老师 ，本文章用于个人记录课程，以便复习，不做其它用途。

**

1. 图像分类 与 线性分类器

图像表示：
像素表示、全局特征表示（如GIST），
局部特征表示（如SIFT特征+词袋模型）

分类器：
近邻分类器、贝叶斯分类器、线性分类器、支撑向量机分类器、神经网络分类器、随机森林、Adaboost

损失函数：
0-1损失、多类支撑向量机损失、交叉熵损失、L1损失、L2损失

优化算法：
<一阶方法>：梯度下降、随机梯度下降、小批量随机梯度下降
<二阶方法>：牛顿法、BFGS、L-BFGS

评价指标：
正确率（accuracy）=分对的样本数 / 全部样本数
错误率（error rate）=1-正确率

图像类型：
Binary （二进制图像） Gray Scale（灰度图像） Color（彩色图像）

1.1 线性分类器

线性分类器体验 http://vision.stanford.edu/teaching/cs231n-demos/linear-classify/

1.2 损失函数

1.3 参数优化

梯度计算：数值化、解释法

1.4 数据集

2. 全连接神经网络

2.1 多层感知器

• 全连接神经网络极联多个变换来实现输入到输出的隐射。

2.2 激活函数

2.3 损失函数

2.4 优化算法

2.5 训练过程

3. 卷积神经网络

3.1 卷积层

3.2 卷积步长

3.3 边界填充

3.4 池化

3.5 损失函数&优化算法

4.经典网络解释

4.1 AlexNet

4.2 ZFNet

4.3 VGG

4.4 GoogLeNet

4.4 ResNet

残差模块：（1）解决正向信息流的传递（2）解决反向梯度流的传递
（3）命名残差是因为该模块实际上是输入和输出的差异

5.视觉识别任务

5.1 分类

5.2 语义分割

5.3 目标检测

两阶段目标检测器

一阶段目标检测器

5.4 实例分割

6.可视化

7.生成网络

7.1 PixelRNN and PixelCNN

7.2 Variational Autoencoders(VAE)

7.3 Generative Adversarial Networks(GAN)