深度卷积神经网络DCNN简介

1. 背景

        卷积神经网络CNN（Convolutional Neural Network，又称ConvNet）保留了空间信息，因此可以更好地用于图像分类。

        卷积操作基于仔细甄选的局部感受野，在多个特征平面共享权值；之后全连接层基于传统的多层感知机，使用softmax作为输出层。

        卷积网络的创新：保留空间信息、加入卷积、池化和特征平面。

CNN的共同之处是: 先以由卷积层构成的模块充分抽取空间特征，再以由全连接层构成的模块来输出分类结果。

残差网络

残差块通过跨层的数据通道从而能够训练出有效的深度NN；

2. 网络组成

2.1 局部感受野

卷积：把相邻输入神经元的子矩阵与下一层的单个隐藏神经元连接，这个隐藏的单个神经元就代表一个局部感受野。

        卷积层可通过重复使用卷积核有效地表征局部空间。在DL中，核数组都是学习出来的。可以设计卷积核来检测图像中的边缘。卷积层块的基本单位是卷积层后接最大池化层: 卷积层用来识别图像里的空间模式，如线条和物体局部，之后的最大池化层则用来降低卷积层对位置的敏感性。

        CN