一. cnn特徵提取
這一篇我們講的就是基於 cnn的特徵提取，特徵提取過程也就是訓練過程，訓練結果就是 cnn 的引數。
以 triplet function 為例，對於 乙個輸入影象三元組 trip，通過乙個共享引數的網路進行訓練，通過下圖可以看到，三個影象 分別得到了乙個特徵空間，這個特徵空間只要滿足 前面提到的距離度量函式（後面的distance cost），那麼訓練就算完成了。
這裡面有幾個關鍵點：
二. 訓練過程
還是通過 loss 函式來看訓練過程（每n個trip樣本訓練一次）：
前面已經講過，loss函式表示兩部分的誤差和，即：
1） t1表示 i與正樣本的距離 與 i到負樣本的距離的margin；
2） t2表示 i與正樣本的距離 小於乙個常數；
下面步入正題，這兩個引數 是否有必要？ok，我們第一步就是去除拍腦袋引數，重新設計 loss函式為：
目標是求loss函式盡可能的小，當然我們知道這個公式的問題在於 loss 只會盡可能的小，不可能為0，同時含有除法，可能按照我們的理解，這並不是乙個好的loss函式，之前我們做 cnn loss函式的時候都是與 ground truth 進行對比，與 ground truth 一致的時候，loss應該為0。
那麼這個函式如何改進呢？ （想幾個idea，哈哈）
三. new idea
提出新的思路，如何通過訓練的方法更進一步 對 loss func 進行加工，比如：
1）借鑑 pair-wise 的方法，得到的結果為 負樣本-正樣本的差；2）或者通過某種換算，將正樣本距離對映為0，這樣就只需要考慮一種距離的loss；3）將兩種距離的比值近似為線性函式展開；另外，針對卷積部分，有兩個思路可以參考：
1）可以基於上面 part-model 進行分塊，分塊的 卷積結果 通過加權來設計，從而提高其中一部分的影響力；2）通過馬氏距離替換原來的歐式距離，馬氏距離反應了方差，對模擬型的距離度量更合適；先 mark 這幾種思路，有想改進演算法的朋友可以多交流！
基於深度學習的NER
命名實體識別 ner 是在自然語言處理中的乙個經典問題，其應用也極為廣泛。比如從一句話中識別出人名 地名，從電商的搜尋中識別出產品的名字，識別藥物名稱等等。傳統的公認比較好的處理演算法是條件隨機場 crf 它是一種判別式概率模型，是隨機場的一種，常用於標註或分析序列資料，如自然語言文字或是生物序列。...
基於深度學習的目標跟蹤
基於深度學習的目標檢測 基於深度學習的目標檢測綜述 目標檢測演算法匯聚 目標檢測演算法總結 10行 實現目標檢測 深度學習目標檢測 綜述 作者的個人理解 一刀流 tensorflow實現的目標檢測 有github 目標檢測演算法簡介，都是文字 內容摘要 r cnn是region based conv...
基於遙感背景的深度學習探索 深度學習簡介（一）
深度學習，我起初對其感覺既陌生又熟悉 陌生的是我完全不懂它背後的數學原理，熟悉是深度學習炒的太火，你不想知道都不可能 換句話說我腦海中沒有建立深度學習的大樹，只有硬生生的 深度學習 這個詞。而本文我想簡單介紹一下我通過學習之後建立起的深度學習的簡單樹，而這個所謂的樹指的是機器學習 深度學習 神經網路...