资料下载
卷积神经网络的基本结构和运行原理
分享资料个
图像特征的提取与分类一直是计算机强觉领域的一个基础而重要的研究方向。卷积神经网络（ Convolutional Neural Network，CNN）提供了一种端到端的学习模型，模型中的参数可以通过传统的梯度下降方法进行训练，经过训练的卷积神经网络能够学习到图像中的特征，并且完成对图像特征的提取和分类。作为神经网络领域的一个重要研究分支，卷积神经网络的特点在于其每一层的特征都由上一层的局部区域通过共享权值的卷积核激励得到。这一特点使得卷积神经网络相比于其他神经网络方法更适合应用于图像特征的学习与表达。
早期的卷积神经网络结构相对简单，如经典的LeNet-5模型，主要应用在手写字符识别、图像分类等一些相对单一的计算机视觉应用领域中。随着研究的不断深入，卷积神经网络的结构不断优化，其应用领域也逐渐得到延伸。例如，卷积神经网络与深信度网络（ Deep Belief Network，DBN）相结合产生的卷积深信度网络（ Convolutional Deep Belief Network．CDBN）口1作为一种非监督的生成模型，被成功地应用于人脸特征提取；AlexNet在海量图像分类领域取得了奕破性的成果；基于区域特征提取的R-CNN（ Regions with CNN）在目标检测领域取得了成功；全卷积网络（ Fully Convolutional Network，FCN）口1实现了端到端的图像语义分割，并且在准确率上大幅超越了传统的语义分割算法。近年来，卷积神经网络的结构研究仍然有着很高的热度，一些具有优秀性能的网络结构被提出哺。并且，随着迁移学习理论在卷积神经网络上的成功应用，卷积神经网络的应用领域得到了进一步的扩展。卷积神经网络在各个领域不断涌现出来的研究成果，使其成为了当前最受关注的研究热点之一。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
