论深度卷积神经网络中的滤波器设计

计算机视觉中的深度卷积神经网络（DCNN）已展现出可喜的成果。它广泛应用于许多领域，涵盖医学、农业、自动驾驶汽车、生物特征识别系统以及几乎所有基于计算机视觉的应用。滤波器或权重是 DCNN 中负责学习的关键元素。反向传播一直是 DCNN 的主要学习算法并提供了可喜的结果，但滤波器的尺寸和数量仍然是超参数。过去十年中，针对半监督、自监督和无监督方法及其性质进行了大量研究。然而，滤波器初始化、尺寸-形状选择以及滤波器数量对学习和优化的影响尚未在任何单独的出版物中进行研究以汇总所有选项。这些属性通常被视为超参数且缺乏数学理解。计算机视觉算法在实际应用中存在诸多局限性，理解学习过程对于取得重大进展至关重要。据我们所知，目前尚未有单独探讨滤波器的已发表研究；这是我们的主要动机。本研究重点关注在分散的方法中，支持选择特定滤波器物理参数、初始化和学习技术的论据。我们评估了有前景的无监督方法。此外，本文还讨论了其局限性、当前挑战及未来范围。