2019年1月10日
阅读内容：12.2 Computer Version,12.3 Speech Recognition
介绍DeepLearning在计算视觉和语音识别两个领域的应用情况和技巧；

小结：

1. NN擅长学习输入值存在不同方向上的差异（通过调节weight），而不擅长学习数据在同方向不同distances上的差异（需要对应不同的bias），因此做normalization将减轻NN数据处理负担；
2. CV中对数据的预处理非常重要，需要做normalization使得数据取值范围一致，介绍了两种对比度归一化（Contrast Normalization）方法：GCN、LCN，两者的区别在于归一化时考虑的数据范围不同（全局global或者局部local）
3. Dataset Augmentation（数据集扩充）可提高模型的泛化性能，方式为将原有样本拷贝多份并对其输入内容做（不影响输出结果的）调整（如平移、反转、调色）；
4. 语音识别领域长期占据核心地位的是GMM-HMM等模型，尤其是在2009-2012年间；该领域是最早使用NN技术的领域之一（早至1980s），但早期仅用于为HMM等模型做feature learning等辅助功能；近年larger and deeper model的使用显著提高了NN模型的准确率，从2009年NN模型开始在SR领域受到重视和广泛使用；
5. TIMIT corpus [Garofolo, 1993]：是音素识别（phoneme recognition）任务的benchmark；就如MNIST是CV领域中object recognition任务的benchmark；

遗留问题：

1. GCN与L2-norm的区别
2. GCN与sphering的区别

---

详细内容

Global Contrast Normalization (GCN)

目标：将数据点归一化到相同scale，以减轻学习算法的负担；

contrast: 整个图片上各点数据值的标准差（用于在GCN中作为分母）

contrast

GCN: 基于contrast，对图片上各点数据值进行归一化，使得数据的分布以0为均值，s为方差（s通常取1）；
为避免除0现象为避免contrast为0导致的除0现象（zero-contrast image，即图片标准差为0情况，发生在整个图片各点取值完全相同时），可做以下调整（两者二选一）：

• 引入参数：考虑到contrast值取非零小值时的图片通常携带非常少量的信息，将zero-contrast调整为一个非零小值
• 引入参数：过小的contrast值一律调节为
  于是，最终得到通过GCN处理后的新值为：
  GCN

优点：

• 相当于将数据归一化到一致的scale，为NN的学习减轻负担；

缺点：

• 缺乏对特殊feature的考虑（fail to highlight image features we would like to stand out）；（因此提出LCN）

GCN

Local Contrast Normalization (LCN)

不同于GCN考虑整个图片的数据点来计算contrast，LCN仅考虑当前值所在局部区域（窗口）内的值用于normalize；
LCN有多种变种，考虑的区域的形式不同、计算方式不同等；

具体实现方法： separable convolution

LCN implementation

优点：

• 关注轮廓信息

缺点：

• 当normalization kernel带宽过大时，将丢失细节信息；