深度学习中的特征到底是什么？

深度学习中的特征到底是什么？

深度学习中的特征到底是什么？

特征要有对比才能更好地认识和区别。

常见的图像特征,如sobel边缘算子,提取出来的是图像的边缘特征信息,表示的是图像中像素有突

变的地方,然后用一个3*3的滤波器模板去提取出来。又比如LBP算子,对人脸区域比较敏感,能用

来检测人脸。这些特征都是通过某种方式(可以是滤波器算子等等)来提取某种类型的信息,换个说

法就是,输入图像通过一个数学变换+方式,将信息域从图像转换到另另一个信息域(边缘等),就

类似于,时序信号通过傅里叶变换+转成频域信号。

✨总的来说,特征提取+就是转换信息域,用另一种形式去表示图像的其某种特性

以红外与可见光图像融合为例,通常我们认为,浅层图像特征更更接近源图像,高频信号比较多,代

表边缘纹理比较多。随着下采样+等过程,深层特征更抽象,低频信号号比较多,代表语义因为比较

多。

CNN类型与GAN类型的区别,大家都有一个用于生成融合图像的网络但是损失的比较内容和形式

不一样。CNN的强度损失是直接用源图像与融合图像进行比较。CNN的边缘损失是用sobel算子+分

别计算源图像与融合图像的边缘,再用边缘图像进行比较。GAN是将源图像和融合图像分别通过鉴

别器网络,得到各自的概率分布+来进行比较。

以上,有图像、边缘、概率分布等信息域,因为损失是没办法完全为0的,只能尽可能的趋近于,因

此,需要从你认为重要的几个信息域去趋于一致。

现在已经有所有的损失都是在不同信息域进行比较的思想,接下来是拓展思维,如何设计深度学习

网络和损失函数*。

深度学习网络是一个万能函数拟合