卷積神經網路(CNN)在影像辨識中的應用
卷積神經網路Convolutional Neural Networks(CNN)是專門使用在與影像有關的網路。
Image classification
在影像辨識中，我們通常採用one-hot vector表示不同的類別。
EX: 狗: [1 0 0......]T, 貓: [0 1 0......]T, 鳥: [0 0 1]T,...。 可以辨識幾種，就會有幾種dimension。
我們可以先了解一下圖片的組成: 一張圖片擁有3維的tensor。一維長一維寬，剩下一維是Channel。那Channel由RGB三種顏色組成，所以是3 CH。
那只要我們能將圖片轉換成向量，就能成為model的輸入。所以根據我們擁有的長寬和Channel，我們將這三個元素拉長成向量，每一維以顏色的解析度強度做為輸入數值。
Ex: 假設長:100, 寬: 100。
則向量則變成[R1 R2 R3 ... R100 G1 G2 G3 ... G100 B1 B2 B3 ... B100]T。
接著我們將向量套入到Fully Connected Network，就會有100x100x3個xi做為輸入的長度。
那再假設我們有1000個neuron，那同時我們就會擁有1000x100x100x3個Weight。
Receptive Field
但這麼多weight有可能造成overfitting的風險。而在影像本身，我們也不一定需要使用fully connected Network，也就是不需要每個input 的dimension都考慮，不需要每個dimension都配給一個weight。
-> 我們可以根據影像中某些Patten進行觀察，去決定結果是什麼動物。這樣的話就不需要看完整的圖片，只要專注在特定位置即可。而這些特定位置我們稱為Receptive field，由使用者決定。
那這些Receptive field可大可小，也可以選擇重複的Receptive field，甚至只考慮某一個Channel也可以。
Typical Setting
以下是一些典型的recptive field的設定：
- 卷積核(Kernel)設定: 卷積核就類似於Filter，用於圖片特定範圍擷取出來，此例我們假設範圍為3x3。通常我們會直接表示3x3，因為不至於只考慮特定一個channel，通常三個Channel都會考慮。
- 通常一個Receptive Field會有多個Neuron去守備它(ex: 64 neurons)
- 移動(stride)Receptive Field 以達到重疊 → 避免某個pattern卡在中間變成沒有neurons可以去偵測。那如果超過邊界的話，我們就會設定0或是平均值為數值。
Parameter Sharing
但會有個問題，就是如果neuron偵測的特徵不在我們預設的recptive field範圍內怎麼辦？如果我們把每一塊Rceptive field都加上一樣的特徵偵測，那會不會有太多weight了？所以這時候就可以使用Parameter Sharing的機制。
讓兩個recptive field都共享同樣的weight W1, W2, W3, ...。那只要是被共享的參數，我們會稱為filter，所以可以把W1, W2, W3稱為filter1, filter2, filter3。
*老師的舉例：假設每個系都需要學習跟程式相關的課程，總不能讓每個系都開程式的課，會耗費太多資源，但我們可以開設通用課程，讓需要的系所都可以選擇。
總結:Receptive field + Parameter Sharing = CNN
Multiple Convolutional Layers
所以假設我們有64個neuron，那最後就會與圖片交互後，產生64組數值。那在過程中，我們也可以假設產生出的64組數值疊加起來成為新的圖片，再疊加一層，對這一層使用相同的filter進行分析。重複這樣的方式，其實同時也會偵測到越來越大範圍的圖片內容，而不會只是一開始的3x3。
Pooling
Pooling是一種過將圖片縮小，但內容完全沒變的方法。之前會與CNN搭配使用以節省計算量。
作法與過程：
- 通過每個filter產生一組組數字
- 將每組數字都分成更小組的數字：4x4為一組的數字 -> 分為2x2為一組的數字
- 再從每一組中選出最大的那個（也不一定要是最大）
- 藉此就會得到較小的圖片 → 但還是會有瑕庛，因為一直不斷地subsampling。
- 但pooling只是單純為了減少計算量 -> 現在通常不用，因為硬體設備可支持CNN
- 最後再通過flatten，把原本矩陣全部拉直，才能進到Fully Connected Layers，得到我們的結果。
以上是關於今天的CNN課程整理～
