深度学习（day4）

Classification and Location:

• fune tune 用训练好的网络进行改变，比如最后一层全连接层中改为分10类，只需改个参数就行
  
• 一般都要进行对图片进行规模scale放大，对每一个scale大小做一次滑动窗口的过程。检测不同大小的物体，放大后，滑动窗口可能检测只是图像的一部分或者是背景。

Object Detection

• 不通过滑动窗口，这会需要大量的位置和规模。不需要通过一个一个的滑动，因为这可能是一些无用的背景。
• 通过有选择性的窗口
  • 通过像素的相似值
  • 把小区域合并
  • 再把区域合并
• 选出特定的候选框，分类或者回归的任务
• RCNN
• Fast R-CNN
• Faster R-CNN详情参考

Design Conv Network

• 使用小的卷积核，使用多层卷积，会有更小参数个数，多层卷积都会有**函数，提高非线性化。提高检测能力
  
• pooling 对图片进行压缩，最主要的原因还是便于网络进行计算，使网络能更快的收敛
  • pooling后特征图大小变小，表达能力可能就会变弱
  • 提高深度，pooling之后，卷积核个数翻倍。就会使特征图深度翻倍

Data Augmentation

• data越多越好，保持label不变的情况下进行图像变换
• 先进行图像的预处理，数据增强
  • 以下预处理，随机的结合
  • 裁剪crop
  • 放大缩小scale
  • 旋转rotation
  • 平移translate
  • 拉伸stretch
  • 等

Transfer Learning

• 借鉴别人已经训练好的model，如只改变最后的参数，调低学习率等微调