【OpenCV基础】计算机视觉专业术语大全

：如果你也对机器人、人工智能感兴趣，看来我们志同道合✨
：不妨浏览一下我的博客主页【https://blog.csdn.net/weixin_51244852】
：文章若有幸对你有帮助，可点赞 收藏 ⭐不迷路
：内容若有错误，敬请留言 指正！原创文，转载请注明出处

---

技术路线

吴恩达老师的《机器学习》课程，B站链接：（https://www.bilibili.com/video/BV164411b7dx）
python学习教程：廖雪峰老师的官网的Pyhon教学，https://www.liaoxuefeng.com/wiki/1016959663602400/1018877595088352

专业术语

过拟合：过拟合和欠拟合的形象解释
迁移学习：迁移学习概述
监督学习、无监督学习：【机器学习笔记】有监督学习和无监督学习
人工智能、机器学习与深度学习的区别：深度学习和机器学习的区别；AI、机器学习和深度学习之间的区别是什么？
感知机：深度学习入门笔记（三）：感知机
深度学习框架介绍：深度学习入门+实战【完】
imagenet介绍：ImageNet图像数据集介绍

深度学习框架的模型和配置文件格式

卷积神经网络的组成

一个简单的卷积神经网络是由各种层按照顺序排列组成的，网络中每个层使用一个可微分的函数将数据从一层传递到下一层，通常卷积神经网络主要由五种类型的层组成：卷积层、批正则化层、非线性映射层、池化层、全连接层等。通过将这些层叠加起来，就可以构建出一个完整的卷积神经网络，最后在根据任务的不同定义不同的函数。

卷积运算

卷积运算是卷积神经网络中最基本的组成部分，计算过程就是元素乘积求和。卷积运算可采用合适的卷积核（过滤器、滤波器，英文为fliter）实现垂直边缘的检测。本身卷积核就好像一个孔径大小一致的过滤器一样，筛选出不能通过去的物质。因此卷积核本身就有特征，可以是垂直检测，也可以是水平边缘检测，通过修改卷积核中的参数，可以做到任意角度的边缘检测。
卷积运算有两个缺点：
1.随着卷积的次数不断增加，图像的尺寸会越来越小；
2.图像中处于角落的像素在运算时候由于参与运算的次数只有一次，因此该像素将会丢失。
为了解决上述的两个问题，在原来像素的基础在外围添加像素层数，不仅可以增加图像的尺寸还可以增加边缘像素参与运算的次数。其中填充的层数称为padding。NXn尺寸的图像乘以f*f卷积核的运算，得到（n-f+1）X（n-f+1）的新图像。Padding的中文意思就是填充。

6.过滤器一般都是设计成奇数的，有两点原因：1.这样的话padding取值是对称的；2.过滤器有一个中心参数。
7.步长S的定义就是说过滤器在移动过程中是每两步移动一下，包括水平移动和垂直移动。也就是说每连续移动两步就会输出一个数据，这样的例子中步长就是2。
8.N:定义为图像的尺寸边长；f:定义为过滤器的尺寸边长；p:定义为增加的层数；s:步长，最后得到的图像尺寸的计算公式为：（）*（）
7.图像在计算机中就是由很多很多像素组成的，每个像素对应一个数，因此图像可以当做一个矩阵，在处理过程中其实就是对它的像素进行处理，比如进行矩阵运算。
8.卷积运算不仅可以应用在平面(二维)图像上，也就是黑白图，只有两种颜色，也可以运用在三维的图像上，所谓的三维图像其实就是RGB、彩色图像，它是由三通道的颜色组成的，因此我们可以将一张彩色图看成由三张图叠加而成的，分别是红绿蓝三张图。
9.在卷积运算中，彩色图是要跟一个三维的过滤器进行乘积的，这个三维过滤器其实就是为了对应彩色图中红绿蓝三个通道的。
11.输出图像的通道数等于过滤器的数量。
12.在进行卷积运算之后得到的最后图像进行输出，将高乘以宽再乘以通道数记得到所有特征，将这些特征排列成一列输出，也就是列向量，然后在输入到softmax填充函数中。
13.在进行多次卷积运算中，图像的尺寸会逐渐减小，通道数会逐渐增加。一个经典的卷积神经网络通常有三层，一个是卷积层，一个是池化层，最后是全连接层。
14.池化层其中含有最大池化层，它与卷积层的区别在于卷积运算的不同，输出图像的尺寸计算公式是一样的，池化层选取过滤器内含有特征的值，比如最大值，平均值，分别代表着池化层中的最大池化层和平均池化层。
15.卷积运算过程中的参数不仅包含了过滤器中的参数，还包含了一个输出的矩阵存在的偏差，这个偏差也是一个参数。
9.典型神经网络有LeNet-5、AlexNet、VGG-16。

图像卷积
基本术语：卷积核、窗口、模板、操作数
卷积系数：卷积核内的元素数值

卷积神经网路的概念
1.卷积和池化层
2.卷积网络

卷积层特点：

1.局部感受野
2.权重共享机制
3.池化下采样操作
4.获取了图像的迁移、变形与尺度空间不变性特征

如何在opencv中加载卷积神经网络各个层？