加载中…
正文 字体大小:

Deep Learning入门之路二

(2013-03-04 13:40:26)
标签:

深度学习

计算机视觉

it

分类: DeepLearning

    近日看了网上几乎所有和Deep Learning有关的中文帖子,收获甚微。又在微博上看到“成功人士的特质——坚持写日志”、同时被csdn博主Rachel__zhang的blog所震撼,决定把自己学习Deep Learning的过程记录下来,希望能给那些像我一样菜的人提供帮助。

    读过《Deep Learning入门之路一》之后应该对DL有个模糊的认识,知道其可以用于从图像视频音频中学习到一些特征。同机器学习方法一样,深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同.例如,卷积神经网络(Convolutional neural networks,简称CNNs)就是一种深度的监督学习下的机器学习模型,而深度置信网(Deep Belief Nets,简称DBNs)就是一种无监督学习下的机器学习模型.

    写公式太烦了……才写了几行就失去耐心了……给自己跪了

    直接贴出有用的文献和建议的阅读顺序:

    1.深度学习结构和算法比较分析  李海峰 ,李纯果;

    中文文献,入门非常有帮助,看不懂论文就先来读这个补基础。

    2.Convolutional Networks and Applications in Vision  Yann LeCun et al

    由于本人关注视觉方面应用,所以推荐此文。

    3.Learning Hierarchical Features for Scene Labeling  Yann LeCun et al

    还是文献2中那个一拨人,已被PAMI 2013接受的文章,在百度百科里被写为深度学习在计算机视觉中的典型成功应用,关于场景分析的。论文的任务是对图像中的每个像素标记其所属的种类,最终的输出效果就是场景分割和识别。这个工作一般叫做场景标注,场景解析或者语义分割。这篇论文的结果大大超出了以前类似工作的输出精度。论文在三个数据库进行了测试: Stanford Bakground (8 classes), SIFTflow (33 classes) and Barcelona (170 classes).

    这篇论文使用有监督的方法训练了一个多尺度的卷积网络。使用的特征是在每个像素为中心,以多种尺度提取稠密的特征(形状,纹理,周边信息)。这个卷积网络的输出,之需要进行一个简单的后处理就能得到论文的最终结果。最简单的后处理方式就是对于每一个超像素,选择其中占最主要部分的标记作为这个超像素的标记(像素标记投票)。

    4.Learning Convolutional Feature Hierarchies for Visual Recognition  Yann LeCun et al

    不得不说Prof. Yann LeCun这帮人真的很吊。此文是他带的另几个学生写的。

    以上英文文献请直接google,那个中文文献要去维普下载……抱歉我还不会贴链接……Deep <wbr>Learning入门之路二

    就这样,有心情再写。

0

阅读 评论 收藏 转载 喜欢 打印举报
  • 评论加载中,请稍候...
发评论

    发评论

    以上网友发言只代表其个人观点,不代表新浪网的观点或立场。

      

    新浪BLOG意见反馈留言板 电话:4006900000 提示音后按1键(按当地市话标准计费) 欢迎批评指正

    新浪简介 | About Sina | 广告服务 | 联系我们 | 招聘信息 | 网站律师 | SINA English | 会员注册 | 产品答疑

    新浪公司 版权所有