《卷积神经网络与计算机视觉》 —2.4总结
【摘要】 本节书摘来自华章计算机《卷积神经网络与计算机视觉》 一书中第2章,第2.4节,作者是[澳]萨尔曼·汗(Salman Khan)侯赛因·拉哈马尼(Hossein Rahmani)赛义德·阿法克·阿里·沙(Syed Afaq Ali Shah)穆罕默德·本纳努恩(Mohammed Bennamoun),黄智濒 戴志涛 译。
2.4总结
传统的计算机视觉系统包括两个步骤:特征设计和学习算法设计,两者很大程度上是独立的。 因此,传统上通过设计手工工程特征来解决计算机视觉问题,例如HOG [Triggs and Dalal,2005]、SIFT [Lowe,2004]和SURF [Bay et al.,2008],这些特征缺乏对其他领域的泛化能力,而且耗时、昂贵,并且需要关于问题域的专业知识。这些特征工程过程之后是一些学习算法,如SVM [Cortes,1995]和RDF [Breiman,2001;Quinlan,1986]。然而,深度学习算法的进步解决所有这些问题,在端到端学习框架中,通过训练深度神经网络进行特征提取和分类。更准确地说,与传统方法不同,深度神经网络学会同时提取特征并对数据样本进行分类。第3章将详细讨论深度神经网络。
【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)