目录
1、深度学习要解决的问题
2、深度学习应用领域
3、计算机视觉任务
4、视觉任务中遇到的问题
1、深度学习要解决的问题
机器学习流程:数据获取、特征工程、建立模型、评估与应用
深度学习跟人工智能更贴切,机器学习中的一部分
特征工程的作用:数据特征决定了模型的上限、预处理和特征提取是最核心的、算法与参数选择决定了如何逼近这个上限
深度学习——黑盒,学习的过程,进行特征提取,什么样特征是最合适的
检测和识别,应用于计算机视觉、自然语言处理
比如:人脸识别、医学方面、变脸、图片上色(老片变新片)
深度学习缺点(计算量太大,千万级数据,造成速度慢)
数据集(收集和标注,麻烦)——李飞飞-imagenet、ALEX12年(一个转折点,引起大家的关注)冠军(用了深度学习神经网络算法)
数据生成(旋转、翻转,1w->10w)
图像分类任务(cat)
图像表示:计算机眼中的图像(三维数组的形式-每个像素的值0-255【越小表示越暗】)
面临的挑战:照射角度、形状改变、部分遮蔽、背景混入(颜色贴切,隐身)
机器视觉与深度学习套路差不多:收集数据并给定标签à训练一个分类器à测试评估
K近邻算法(KNN):K=3,K=5
https://www.bilibili.com/video/BV15t4y1G7kq?p=4&spm_id_from=pageDriver&vd_source=200eb8f70ee525f2747b0dbbe1d06ab0
数据库:CIFAR-10(10类标签,100多M,5w训练数据,1w测试数据,大小均为32*32)
K近邻不能用来图像分类:背景主导是最大的问题