如何利用CNN實(shí)現(xiàn)圖像識別的任務(wù)

輸入層讀入經(jīng)過規(guī)則化（統(tǒng)一大?。┑膱D像，每一層的每個(gè)神經(jīng)元將前一層的一組小的局部近鄰的單元作為輸入，也就是局部感受野和權(quán)值共享，神經(jīng)元抽取一些基本的視覺特征，比如邊緣、角點(diǎn)等，這些特征之后會(huì)被更高層的神經(jīng)元所使用。卷積神經(jīng)網(wǎng)絡(luò)通過卷積操作獲得特征圖，每個(gè)位置，來自不同特征圖的單元得到各自不同類型的特征。一個(gè)卷積層中通常包含多個(gè)具有不同權(quán)值向量的特征圖，使得能夠保留圖像更豐富的特征。卷積層后邊會(huì)連接池化層進(jìn)行降采樣操作，一方面可以降低圖像的分辨率，減少參數(shù)量，另一方面可以獲得平移和形變的魯棒性。卷積層和池化層的交替分布，使得特征圖的數(shù)目逐步增多，而且分辨率逐漸降低，是一個(gè)雙金字塔結(jié)構(gòu)。

CNN的特征

1）具有一些傳統(tǒng)技術(shù)所沒有的優(yōu)點(diǎn)：良好的容錯(cuò)能力、并行處理能力和自學(xué)習(xí)能力，可處理環(huán)境信息復(fù)雜，背景知識不清楚，推理規(guī)則不明確情況下的問題，允許樣品有較大的缺損、畸變，運(yùn)行速度快，自適應(yīng)性能好，具有較高的分辨率。它是通過結(jié)構(gòu)重組和減少權(quán)值將特征抽取功能融合進(jìn)多層感知器，省略識別前復(fù)雜的圖像特征抽取過程。

2）泛化能力要顯著優(yōu)于其它方法，卷積神經(jīng)網(wǎng)絡(luò)已被應(yīng)用于模式分類，物體檢測和物體識別等方面。利用卷積神經(jīng)網(wǎng)絡(luò)建立模式分類器，將卷積神經(jīng)網(wǎng)絡(luò)作為通用的模式分類器，直接用于灰度圖像。

3）是一個(gè)前潰式神經(jīng)網(wǎng)絡(luò)，能從一個(gè)二維圖像中提取其拓?fù)浣Y(jié)構(gòu)，采用反向傳播算法來優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，求解網(wǎng)絡(luò)中的未知參數(shù)。

4）一類特別設(shè)計(jì)用來處理二維數(shù)據(jù)的多層神經(jīng)網(wǎng)絡(luò)。CNN被認(rèn)為是第一個(gè)真正成功的采用多層層次結(jié)構(gòu)網(wǎng)絡(luò)的具有魯棒性的深度學(xué)習(xí)方法。CNN通過挖掘數(shù)據(jù)中的空間上的相關(guān)性，來減少網(wǎng)絡(luò)中的可訓(xùn)練參數(shù)的數(shù)量，達(dá)到改進(jìn)前向傳播網(wǎng)絡(luò)的反向傳播算法效率，因?yàn)镃NN需要非常少的數(shù)據(jù)預(yù)處理工作，所以也被認(rèn)為是一種深度學(xué)習(xí)的方法。在CNN中，圖像中的小塊區(qū)域（也叫做“局部感知區(qū)域”）被當(dāng)做層次結(jié)構(gòu)中的底層的輸入數(shù)據(jù)，信息通過前向傳播經(jīng)過網(wǎng)絡(luò)中的各個(gè)層，在每一層中都由過濾器構(gòu)成，以便能夠獲得觀測數(shù)據(jù)的一些顯著特征。因?yàn)榫植扛兄獏^(qū)域能夠獲得一些基礎(chǔ)的特征，比如圖像中的邊界和角落等，這種方法能夠提供一定程度對位移、拉伸和旋轉(zhuǎn)的相對不變性。

5）CNN中層次之間的緊密聯(lián)系和空間信息使得其特別適用于圖像的處理和理解，并且能夠自動(dòng)的從圖像抽取出豐富的相關(guān)特性。

6）CNN通過結(jié)合局部感知區(qū)域、共享權(quán)重、空間或者時(shí)間上的降采樣來充分利用數(shù)據(jù)本身包含的局部性等特征，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，并且保證一定程度上的位移和變形的不變性。

7）CNN是一種深度的監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型，具有極強(qiáng)的適應(yīng)性，善于挖掘數(shù)據(jù)局部特征，提取全局訓(xùn)練特征和分類，它的權(quán)值共享結(jié)構(gòu)網(wǎng)絡(luò)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，在模式識別各個(gè)領(lǐng)域都取得了很好的成果。

8） CNN可以用來識別位移、縮放及其它形式扭曲不變性的二維或三維圖像。CNN的特征提取層參數(shù)是通過訓(xùn)練數(shù)據(jù)學(xué)習(xí)得到的，所以其避免了人工特征提取，而是從訓(xùn)練數(shù)據(jù)中進(jìn)行學(xué)習(xí)；其次同一特征圖的神經(jīng)元共享權(quán)值，減少了網(wǎng)絡(luò)參數(shù)，這也是卷積網(wǎng)絡(luò)相對于全連接網(wǎng)絡(luò)的一大優(yōu)勢。共享局部權(quán)值這一特殊結(jié)構(gòu)更接近于真實(shí)的生物神經(jīng)網(wǎng)絡(luò)使CNN在圖像處理、語音識別領(lǐng)域有著獨(dú)特的優(yōu)越性，另一方面權(quán)值共享同時(shí)降低了網(wǎng)絡(luò)的復(fù)雜性，且多維輸入信號（語音、圖像）可以直接輸入網(wǎng)絡(luò)的特點(diǎn)避免了特征提取和分類過程中數(shù)據(jù)重排的過程。

9）CNN的分類模型與傳統(tǒng)模型的不同點(diǎn)在于其可以直接將一幅二維圖像輸入模型中，接著在輸出端即給出分類結(jié)果。其優(yōu)勢在于不需復(fù)雜的預(yù)處理，將特征抽取，模式分類完全放入一個(gè)黑匣子中，通過不斷的優(yōu)化來獲得網(wǎng)絡(luò)所需參數(shù)，在輸出層給出所需分類，網(wǎng)絡(luò)核心就是網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)與網(wǎng)絡(luò)的求解。這種求解結(jié)構(gòu)比以往多種算法性能更高。

10）隱層的參數(shù)個(gè)數(shù)和隱層的神經(jīng)元個(gè)數(shù)無關(guān)，只和濾波器的大小和濾波器種類的多少有關(guān)。隱層的神經(jīng)元個(gè)數(shù)，它和原圖像，也就是輸入的大?。ㄉ窠?jīng)元個(gè)數(shù)）、濾波器的大小和濾波器在圖像中的滑動(dòng)步長都有關(guān)。