卷积神经网络一般由卷积层、下采样层、全连接层组成。
卷积神经网络的输入为原始图像,卷积层的卷积核以一定的大小和步幅对原始图像进行卷积运算得到特征图,下采样层对特征图进行采样处理,抽取特征图一定区域内的最大值或平均值。经过多层卷积和下采样处理后,由全连接层整合特征并交由分类器进行分类处理。卷积神经网络具有以下特点:
(1)局部感知:卷积神经网络的卷积层设置成局部连接的形式,每一次卷积只提取固定大小区域内的局部信息;
(2)权值共享:局部感知使每一次卷积只提取到图像局部区域内的信息,因此,要想提取整幅图像的某类特征需要该类卷积核按照一定的步幅对整幅图像中所有局部区域进行特征提取,在整个过程中卷积核进行卷积计算时的权值系数不会因为这些区域在图像中的位置不同而发生变化,这是因为特征的提取方式与提取位置无关。
(3)多核卷积:每一种卷积核只能提取到图像的某一类特征,需要在卷积层设置多种卷积核,从而提取到更加全面的图像特征信息。
(4)下采样:在一些卷积层后通常会添加一个下采样层,抽取卷积得到的特征图中的一定范围内的局部平均值或最大值。
(5)多层卷积:在一定范围内,网络层数越高,学习到的特征越抽象,越能表示图像的全局化细信息。