卷积神经网络

MachineLearninginMarketing

纹理

<img src="images/pattern_001.jpg">
我们要识别图片的内容，读取图片的信息，我们不但提取出图片中一些边缘的信息还需要识别出图案中纹理，这样我们才能准确获取图片的信息。

纹理表示方法

纹理是由一些基元按照一定形式组合而成，所谓纹理基元就是在图片中重复出现的最小单元的图案。

• 规则纹理
  <img src="images/tile_pattern.jpg">
• 随机纹理
  <img src="images/beer_pattern.jpeg">

基于卷积核组的纹理表示方法

有关图片纹理我们还可以引入一些统计学的概念，也就是不但通过基元，而且通过统计学信息描述这些基元如何组合在一起。

• 利用卷积核组提取图像中的纹理基
• 利用基元的统计信息来表示图像的纹理

卷积核组

<img src="images/kernel_group.png">
我们把这样 7 卷积核放在一起就是卷积核组，我们现在第一个卷积核看起，这个卷积核应该是高斯偏导核，用于检测水平的边，前 6 卷积核是用于检测不同方向的边，而最后一个用于检测图片上是否有圆形图案。

<img src="images/kernel_detect_circle.png">
<img src="images/kernel_detect_hline.png">

基于卷积核组的图像表示

• 设计卷积核组
• 利用卷积核组对图像进行卷积操作获取对应的特征响应图组
• 利用特征响应图的某种统计信息来表示图像中的纹理
  <img src="images/kernel_grp_presentation.png">

那么我们是如何用卷积核提取图案信息来表示图像呢，首先我们用卷积核组每一个卷积核去扫描图片得到对应响应图，卷积核下方对应的图，然后将这个响应图用一个向量来表示，也就是将图片矩阵展平，如大小的响应图展平就是 10000 维的向量，然后在将这些向量组合就得到基于卷积核组的图像表示。

• 表示第一个特征图展开的向量
• 表示第 1 个特征图上第 n 个位置的响应值

纹理分类任务

接下来介绍一种更简单表示方式，因为基元位置与分类关系不大，也就是对分类没有什么影响。所以我们在用纹理表示图片没有必要记录位置信息。

• 基元位置无关
• 关注出现了哪种基元对应的纹理以及基元出现的频率
  好基于上面内容，我们可以用每一个响应图所有值平均值的组合来表示图像
  <img src="images/kernel_grp_presentation_2.png">

第个特征响应图的均值

卷积核组设计

每一个卷积核描述一种结构。

• 卷积核类型(边缘、条形以及点状)
• 卷积核尺度(3-6个尺度)
• 卷积核方向(6个角度)