卷积神经网络

卷积神经网络：CNN

应用领域：

　　CV领域、检测任务、分类与检索、超分辨率重构、医学任务、无人驾驶、人脸识别

卷积网络与传统网络区别：

　　维度：三维　　　　　　　　二维

　　输入：原始图像（h*w*c）　　向量

架构：

　　输入层　　卷积层　　池化层　　全连接层

卷积层：

卷积：特征提取

　　　　

　　权重参数矩阵【【1 0 1】，【0 1 0】，【1 0 1】】，和filter一样，在原始图当中选取多大的区域提取出一个特征　　　　

图像颜色通道：

　　RGB三个颜色通道，每一个通道单独去做卷积，之后把得到的结果矩阵加在一起

　　nputVelume *filter +bias=output（其中inputVelume*filter做内积计算）

　　　　fiter：卷积核，不同可以得到多个特征图

卷积需要做很多次：

low-level Feature	mid-level Feature	high-level Feature	Trainable Classifier
原图　　卷积	特征图　　卷积	特征图　　卷积	特征图

　　　　　　

　　　　　　　　　　　　　　　　　

卷积层参数

　　滑动窗口步长：做卷积时，小窗口向右移动的步长，步长越大，得到的特征图越小，运行时间短

　　卷积核尺寸：fiter大小　　

　　边缘填充：外边界被卷积计算次数少，在图像外围加上0，记为+pad n,加上n圈0

　　卷积核个数：卷积核个数决定特征图个数，

　　卷积结果计算公式：

　　　　　　　　　　

 

池化层：

　　压缩 downsampling　　　　将224*224*64压缩112*112*64

　　maxpooling：某区域选择最大值

　　everagepooling：区域求平均值（效果不好，被pass）

架构综述：

　　卷积层+非线性变换　　两次卷积一次池化　　

　　例：7层神经网络conv+RELU +conv+RELU+POOL+conv+RELU +conv+RELU+POOL+conv+RELU +conv+RELU+POOL+FC

　　FC：全链接层， 

经典网络：

Alexnet：

　　8层网络、5层卷积、3层全链接

Vgg：

　　14年　　卷积核大小3*3　　16层网络　　 

resnet：

　　残差网络，消除无用网络，使得层数越高，效果更好　　特征提取

感受野：

　　特征图上的某个点能看到的输入图像的区域