CNN特徵提取筆記

級聯分類器（cascade of classifiers）

從一堆弱分類器裡面，挑出一個最符合要求的弱分類器，用著這個弱分類器把不想要的數據剔除，保留想要的數據；然後再從剩下的弱分類器里，再挑出一個最符合要求的弱分類器，對上一級保留的數據，把不想要的數據剔除，保留想要的數據。最後，通過不斷串聯幾個弱分類器，進過數據層層篩選，最後得到我們想要的數據。

CNN主要由3種模塊構成

• 卷積層
• 採樣層
• 全連接層

CNN特徵提取

• 通過第一個卷積層提取最初特徵，輸出特徵圖（feature map）
• 通過第一個採樣層對最初的特徵圖（feature map ）進行特徵選擇，去除多餘特徵,重構新的特徵圖
• 第二個卷積層是對上一層的採樣層的輸出特徵圖（feature map）進行二次特徵提取
• 第二個採樣層也對上層輸出進行二次特徵選擇
• 全連接層就是根據得到的特徵進行分類

卷積層負責提取特徵，採樣層是特徵選擇，全連接層負責分類

RGB圖像

卷積核放在神經網路里，就代表對應的權重。卷積核和圖像進行點乘，就代表卷積核里權重單獨對應相應位置的Pixel進行作用。

在此雖為卷積，但是並不是對應位置的意義對應的點乘，不是真正意義上的卷積，是把所有的點乘結果加起來，就是把所有的效果作用加起來。

RGB有三個通道，對應著三個卷積核，裡面的數字相當於權重，卷積核裡面的權值內容會在後面的反向傳播演算法中講到。舉例說明：

輸出：

卷積順序：就是從左到右，每隔x列Pixel，向右移動一次卷積核進行卷積(x可以自己定義)，即stride。

補白：因為添了一圈0，實際上什麼信息也沒有添，但是

同樣是stride x=1 的情況下，補0比原來沒有添0 的情況下進行卷積，從左到右，從上到下都多賺了2次卷積，這樣第一層卷積層輸出的特徵圖（feature map）仍然為5x5，和輸入圖片的大小一致

而沒有添0的第一層卷積層輸出特徵圖大小為3x3

這樣有什麼好處呢

（1）我們獲得的更多更細緻的特徵信息，上面那個例子我們就可以獲得更多的圖像邊緣信息

（2）我們可以控制卷積層輸出的特徵圖的size，從而可以達到控制網路結構的作用，還是以上面的例子，如果沒有做zero-padding以及第二層卷積層的卷積核仍然是3x3, 那麼第二層卷積層輸出的特徵圖就是1x1，CNN的特徵提取就這麼結束了。

同樣的情況下加了zero-padding的第二層卷積層輸出特徵圖仍然為5x5,這樣我們可以再增加一層卷積層提取更深層次的特徵