1.卷积神经网络
-
降低对图像预处理数据的要求:cnn可以直接使用图像的原始数据作为输入,不必先使用sift算法提取特征。
-
强泛化性:cnn对缩放,平移,旋转等畸变具有很强的泛化性。
-
卷积的权值共享结构:大幅度减少神经网络的参数量,一方面防止过拟合一方面降低模型复杂度。
2.卷积操作:卷积神经网络中,卷积层直接接受图像输入,每一个卷积操作只处理一小块图像,在传入到后面的网络中,每一层卷积都会提取图像中最有效的特征。 -
图像通过多个不同的卷积核的滤波,并加上偏置,提取出局部特征,每一个卷积核会映射出一个新的二维图像
-
卷积核的滤波结果要进行非线性激活函数的处理
-
激活函数处理后要进行池化,保留最显著的特征
3.卷积核的权值共享:
一个卷积层可以有多个不同的卷积核;
每一个卷积核对应一个滤波后映射出的新图像,同一个新图像的每一个像素都来自完全相同的卷积核;
参数量只跟卷积核的大小有关;
降低模型复杂度,降低计算量,减轻过拟合;
4.每一个卷积核经过滤波以后得到的图像就是一类特征的映射,即一个feature map;
5.卷积的好处:需要训练的权值数量只和卷积核的大小和数量有关,可以使用很少的参数量处理任意大小的图片;
权值数量大幅下降,隐含节点数量(只与卷积步长有关)没有下降;
6.局部连接: 降低模型复杂度,降低计算量,减轻过拟合;
权值共享: 降低模型复杂度,降低计算量,减轻过拟合;对平移不敏感;
降采样:降低了输出参数量,增强了模型的泛化能力;