特征提取

传统神经网络：参数矩阵很大，训练时间长，
怎么样提特征是最好的方法。

1 应用领域

1 检测任务

2 分类和检索

3 超分辨率重构

4 医学任务

5 无人驾驶

6 人脸识别

2 卷积的作用

特征图：

3 卷积特征值计算方法

每个通道都要去做

多通道分别去做的。

4 得到特征图表示

5 步长和卷积核大小对结果的影响

1 步长

2 卷积核

一般都是3X3以上的。3X3是常见的。

6 边缘填充方法

越往中间的点计算的次数越多，会导致中间的重要，边界的不重要，需要解决这个问题。
加了圈0，如果不是1会影响其他特征。一般是填充一圈。

7 特征图尺寸计算与参数共享

卷积神经网络好训练。

8 池化层的作用

最大池化好：压缩，过滤，缩减的过程

9 整体网络架构

只有带参数的才叫做层。

10 VGG网络架构

12年

14年：
VGG 参数没变，就变了网络层数，就提高了。16层最好

11 残差网络

全用经典网络就可以了。
经典网络，特征提取。

12 感受野的作用

感受野越大越好。