【week8 in ricoh】 Learning CNN

week8:
5.27 

1.作CNN practical[1]裏的example1，瞭解CNN模塊中的每個部分

（1）卷積層的卷積過程，輸入輸出維度變化（2）ReLU（3）Pooling層（4）Normalization

ReLU

Pooling

Normalization

2.作CNN practical[1]裏的example2，瞭解BP算法求導原理（參考[4]）

（1）損失函數（2）鏈式求導法則（3）對參數求導用於參數的迭代跟新（4）對每層輸出的求導用於參數求導的方便，求導的trick

（5）正向計算，反向求導，CNN主要的計算過程

 

5.28

1.看VGGgroup的CNN網絡net裏的每一層，求出的res的每一層，結合example2及MatConvNet的manual[2]，深刻理解CNN正向反向的每一步過程

圖

2.作CNN practical裏的example3，CNN應用的具體應用時的過程

（1）損失函數該如何設置：正則化項，極小化函數（2）正向求輸出，評估偏差給出反饋，反向求迭代步長（3）其餘預處理過程

預處理過程的理解:

3.跟師兄探討BP的過程

5.29

1.測試FPID數據集[3]Q二、T8提取deepcnn16(VGG組在ImageNet上訓練獲得)的layer36特徵的效果

提高效果並不明顯，說明緣由不在於網絡性能，考慮暫緩fine-tune。

2.和師兄討論了改進的辦法，關注了檢索結果裏false postive中背景影響及圖片旋轉帶來的影響很大，決定將數據手動裁剪，旋轉。

3.手動裁剪數據，opencv寫的裁圖工具。這裏就不貼代碼了

opencv也能夠調用鼠標響應，左鍵選擇RIO，右鍵肯定。感受本身徹底能夠下一個截圖工具了

5.30（在學校）

1.測試旋轉、及裁剪帶來的性能影響

 

 

 

[1]http://www.robots.ox.ac.uk/~vgg/practicals/cnn/index.html#part-4-learning-a-character-cnn

[2]http://www.vlfeat.org/matconvnet/matconvnet-manual.pdf

[3]https://diuf.unifr.ch/diva/FPID/

[4]http://www.cnblogs.com/wentingtu/archive/2012/06/05/2536425.html