本文将从CNN解决了什么问题、人类的视觉原理、CNN的基本原理、典型的CNN及实际应用四个方面，带您一文搞懂卷积神经网络CNN。
图像处理存在两个难题：
- 数据量巨大： 图像由像素组成，每个像素又由RGB三个颜色参数表示。
对于一张1920×1080 像素的图片，就需要处理6百万个参数。（1920*1080*3=）
- 特征保留困难： 传统图像处理方法很难保留原始图像特征。例如：图像中物体的位置发生变化，传统方法处理后的数据会有很大差异。
CNN解决问题：
- 提取特征： 卷积操作提取图像特征，如边缘、纹理等，保留图像特征。
- 数据降维： 池化操作大幅降低参数量级，实现数据降维，大大减少运算量，避免过拟合。
在我们了解 CNN 原理之前，先来看看人类的视觉原理是什么？
1981年诺贝尔医学奖：
- 获得者：David Hubel（大卫·休伯尔）、Torsten Nils Wiesel（托斯坦·威泽尔）、Roger Sperry（罗杰·斯佩里）
- 主要贡献：发现了视觉系统的信息处理，可视皮层是分级的。
人类视觉原理：
- 光信号感知：原始信号摄入，光信号转化为神经信号。
- 初级视觉处理：神经信号传送到大脑的初级视觉皮层，进行初步特征提取，例如边缘、纹理等。
- 高级视觉处理：初级视觉皮层的信息传递到高级视觉皮层，进行复杂的特征提取，例如颜色、形状、运动等。
- 识别与认知：将输入的图像与已有的知识进行匹配和识别。
构成部分：
- 卷积层： 用来提取图像的局部特征。
- 池化层：用来大幅降低参数量级，实现数据降维。
- 全连接层： 用来输出想要的结果。
基本原理：
- 卷积层：通过卷积核的过滤提取出图片中局部的特征，类似初级视觉皮层进行初步特征提取。
使用一个过滤器（卷积核）来过滤图像的各个小区域，从而得到这些小区域的特征值。
- 池化层：下采样实现数据降维，大大减少运算量，避免过拟合。
原始是20×20的，进行下采样，采样为10×10，从而得到2×2大小的特征图。
- 全连接层：经过卷积层和池化层处理过的数据输入到全连接层，得到最终想要的结果
典型的 CNN 并非只是上面提到的3层结构，而是多层结构。
例如，LeNet-5被誉为是卷积神经网络的“Hello Word”。LeNet-5是图灵奖获得者Yann LeCun（杨立昆）在1998年提出的CNN算法，用来解决手写识别的问题。
LeNet-5 的网络结构：
- 输入层： INPUT
- 三个卷积层： C1、C3和C5
- 两个池化层： S2和S4
- 一个全连接层： F6
- 输出层： OUTPUT
输入层- 卷积层 – 池化层- 卷积层 – 池化层 – 卷积层 – 全连接层 - 输出层
实际应用：
- 图像分类：可以节省大量的人工成本，将图像进行有效的分类，分类的准确率可以达到 95%+。典型场景：图像搜索。
- 目标定位：可以在图像中定位目标，并确定目标的位置及大小。典型场景：自动驾驶。
- 目标分割：简单理解就是一个像素级的分类。典型场景：视频裁剪。
- 人脸识别：非常普及的应用，戴口罩都可以识别。典型场景：身份认证。
版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/cjjbc/12694.html