卷积神经网络-基本认识

卷积神经网络：又称CNN，主要应用于计算机视觉领域，是解决图像分类，图像检索，物体检测和语义分割的主流模型。
核心：对像素阵列进行特征的提取。

卷积核

提取图像中无论如何变换，始终保持一致的局部特征区间

卷积

卷积核在图像上滑动，取与卷积核大小相等的区域，一一相乘然后相加，最后取一个均值，该值就是卷积核提取的特征。（几个卷积核就会得到几个卷积层）

所有特征组成长和宽变小的矩阵，厚度增加–>得到feature map

卷积的三种模式：

1. full mode: 从filter和image刚相交开始做卷积；
2. same mode: 当filter的中心(K)与image的边角重合时，开始做卷积运算;
3. valid mode: 当filter全部在image里面的时候，进行卷积运算.

Normalization

激活函数：用ReLu函数=max(0,x)，将负值转化为0，方便运算

池化（pooling)，

又称下采样；
功能：对数据进行缩小，放大主要特征，忽略一些偏差；
分为：max pooling（取最大值）和average pooling（取平均值）

卷积神经网络

通过卷积，ReLu，pooling，不断重复操作，得到feature map，排成一列，接到全连接层，形成卷积神经网络。
基本单位：卷积层（识别图像中的空间模式，如局部）+池化层