手工提取出的特徵如何運用在目標檢測深度學習中？

1樓：

目前沒什麼把手工特徵直接融入到深度學習模型的好方法，都是間接的利用這些先驗知識。使用手工特徵本質上就是要麼就是給資料增加先驗或凸顯因子，讓資料更可分，要麼就是PGM那樣讓模型稀疏連線，方便優化。

比較常用的就是預處理，一直是類似SVM裡設計核函式的思路，或者一些其他的給資料降維的方法。如果只是單一目標檢測，資料量少的話，首先當然是要資料增強（包括變化，加雜訊等），以及檢查資料幹不乾淨。然後用小模型（限制模型容量，這點最重要）。

最後正則化也是一種新增先驗的方式，具體怎麼設計正則化項，這個比較複雜，要結合你的實際任務。

總之核心思路就是既然你資料量少，然後如果還是單類別檢測的話（如果是多類別檢測，資料還不夠的話，那其實基本做不了），那你的模型容量就要小一點，還可以用正則化等方式限制模型容量，用資料增強增加資料，用各種降維方法凸顯因子，讓資料更可分。

另外不要輕易去嘗試用各種硬連線（比如在輸入裡拼接各種手工特徵）的方法去新增先驗，否則第一，如果你特徵設計的不好，你加進去的是其實是雜訊。第二，即使你特徵設計的很好，你的資料維度增大後，有維數災難的問題，其實優化更難，反而可能需要更多的資料來訓練。當然你完全用手工特徵（比如SIFT?

），相當於手工降維預處理也是可以的，這個其實就有點類似於在用傳統方法了。