神经网络与CNN:
神经网络是将所有的特征都独立出来了,是像素级别。CNN分区域进行特征提取。
神经网络架构:层次结构、神经元、全连接、非线性。
卷积神经网络架构:输入层、卷积层、池化层、全连接层。
卷积层与全连接层:
卷积作用是提取局部特征,分为单通道卷积和多通道卷积。全连接层作用是把提取的局部特征以权值矩阵的形式组合起来形成完整的图。
经过卷积后,原图中包含和卷积核这类特征被卷积核提取到FetureMap中,这部分是计算原图patch和卷积核的相似程度。在训练过程中,会使用不同的卷积核提取原图中的不同特征。
全连接过程中丢失位置信息,理解为降低了学习过程中的参数敏感度。
合适的卷积核需要训练得到,卷积核中的数字是会变化的(BP)。
多通道卷积: (信息来自:CNN卷积核与通道讲解 - 知乎)
以彩色图像为例,包含三个通道,分别表示RGB三原色的像素值,输入为(3,5,5),分别表示3个通道,每个通道的宽为5,高为5。假设卷积核只有1个,卷积核通道