Machine learning 用meanshift对图像块进行泛化？
我正在读这篇文章，试图理解作者第一个问题的答案- 为什么是非线性激活 在所有中间层的过滤器输出端，功能是否至关重要 到目前为止，他的解释似乎还可以理解- 我们可以进一步将RECS模型推广到一个平移的单位球 其中μ是x的平均值 我不明白为什么这被认为是一种“概括”，但本文继续解释为什么会这样做 对于视觉问题，x的元素xn，n=1…n表示n个像素 输入图像的值，μ是所有像素的平均值。如果输入 是一个完整的图像，其平均值是对图像没有影响的全局平均值 理解力 可以在处理之前将其删除。因此，我们将μ设为0 然而，如果输入图像很大，我们通常会将其划分为较小的面片，并并行处理所有面片。在这种情况下，每个面片的平均值是局部平均值。不应移除，因为局部方法的集成提供了完整图像的粗略视图。这对应于等式（5）中的一般情况 我完全理解试图用它们的平均值来表示小补丁 信号/向量的均值偏移是否被视为一种泛化？ 如果是这样的话，有人能给我指出证实这一说法的理论吗？我自己似乎找不到合适的链接 或者它只是用来说明作者的例子和后来的解释Machine learning 用meanshift对图像块进行泛化？,machine-learning,neural-network,deep-learning,conv-neural-network,Machine Learning,Neural Network,Deep Learning,Conv Neural Network,我正在读这篇文章，试图理解作者第一个问题的答案- 为什么是非线性激活 在所有中间层的过滤器输出端，功能是否至关重要 到目前为止，他的解释似乎还可以理解- 我们可以进一步将RECS模型推广到一个平移的单位球 其中μ是x的平均值 我不明白为什么这被认为是一种“概括”，但本文继续解释为什么会这样做 对于视觉问题，x的元素xn，n=1…n表示n个像素 输入图像的值，μ是所有像素的平均值。如果输入 是一个完整的图像，其平均值是对图像没有影响的全局平均值 理解力 可以在处理之前将其删除。因此，我们将μ设为
还是我遗漏了一些明显的东西？你们听说过概率分布的标准化（或一般特征）吗？移动其平均值，使其类似于高斯（正态）分布。看一看报纸和报纸