知识卡片
对比度归一化的两类
计算机视觉的预处理相对简单,主要是统一像素范围和尺寸,而对比度归一化是其中最常见的一类,目标是移除图像亮暗差异这一可安全消除的变化源。全局对比度归一化(GCN)先减去图像均值再将像素标准差重缩放到常数s,可理解为把样本投影到球壳上,使网络只需响应方向而非距离;分母接近零时需用正则化参数避免放大噪声。但GCN无法突出被大范围明暗差异掩盖的局部边缘,因此局部对比度归一化(LCN)改为在每个小窗口内减去邻域均值并除以邻域标准差,使模型专注于边缘。LCN可用可分离卷积高效实现且可微分,既能作预处理也能作隐藏层非线性;需区分的是sphering(白化)改变的是主成分方差而非把样本压到球壳。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第12章 应用
原书出处 · 1 处
- 第12章 应用 · 查看原书依据
这催生了局部对比度归一化 (local contrast normalization,LCN)。局部对比度归一化确保对比度在每个小窗口上被归一化,而不是作为整体在图像上被归一化。
参考来源
- 位置:《深度学习》第12章 应用(源文件:extracted/深度学习/_epub-src/text/part0004.html)
- 结论依据:12.2.1.1系统对比了GCN与LCN的定义、正则化、几何解释及与白化的区别。
- 原始内容:这催生了局部对比度归一化 (local contrast normalization,LCN)。局部对比度归一化确保对比度在每个小窗口上被归一化,而不是作为整体在图像上被归一化。