實驗記錄
cnn特徵是由inception_v3模型得到的bottleneck（即卷積神經網路倒數第二層學到的特徵），是一系列2048維特徵向量，將一系列特徵向量作為輸入，放入svm中進行分類（用的是matlab版libsvm），實驗結果如下
資料集 plant_photos12（12種，每種50~100張影象）
訓練集—驗證集
不降維（%）
pca降維（%）
pca+lda降維（%）
80-20
40.9574
40.4255
78.7234
60-40
38.0319% (143/376)
37.766% (142/376)
75.7979% (285/376)
50-50
37.6596% (177/470)
40.8511% (192/470)
66.1702% (311/470)
40-60
35.6383% (201/564)
41.6667% (235/564)
55.3191% (312/564)
20-80
36.8351% (277/752)
37.234% (280/752)
38.5638% (290/752)
實驗結果超級不好，最好的也就78%左右，難過
類魚種資料集， 共
27 370
張魚的影象進行分類，用cnn+svm方法得到了98%左右的識別率。難道是因為資料集太少？
對資料集進行資料增強（水平翻轉+垂直翻轉）後，實驗結果慘不忍睹，我的課題創新點啊，本想著結果會很好呢。問題出在**？
為什麼用傳統的形狀特徵、lbp特徵放入svm得到的結果比cnn+svm好呢？
cnn+softmax結果就比傳統方法好，想不明白啊！
視覺化探索卷積神經網路提取特徵
卷積神經網路的發展主要是為了解決人類視覺問題，不過現在其它方向也都會使用。發展歷程主要從lenet5 alexnet vgg goolenet resnet等。傳統bp神經網路層與層之間都是全連線的，對於影象處理領域，當神經網路處理大影象時，全連線會導致待訓練的引數非常龐大，比如100萬個畫素的影象...
基於深度神經網路特徵提取的文字無關的說話人識別
部分 對文章 deep neural network embeddings for text independent speaker verification 的解讀。1.概要 在實際應用中，往往被測試者或被驗證者的語音長度相對較短，若使用傳統的plda ivector模型效果會相對一般 這一點會在...
對於卷積神經網路中垂直和水平特徵過濾器的理解
1 首先是sobel運算元，用於檢測影象的輪廓 開始使用的是垂直特徵檢測的過濾器，可以識別影象輪廓 後來使用了水平特徵檢測的過濾器，也可以識別影象輪廓 可能是因為對於大的來說，垂直特徵過濾器和水平特徵過濾器能起到類似作用，因為對於顏色變化的區域，很少是非常垂直或者平行的，都存在斜角，並且畫素點的顯示...