卷积神经网络研究综述

摘要： 随着硬件算力的提升和互联网大数据的积累，人工智能迎来了第三次热潮，深度学习也获得了前所未有的公众关注和产业投资。而在不同类型的深度神经网络模型中，卷积神经网络获得了最广泛的研究。本文首先介绍卷积神经网络的基本概念、结构组成和对应的功能，然后介绍常见的结构模型和在人工智能下的众多领域的应用，最后分析其不足和未来的研究方向。

关键词：深度学习；卷积神经网络；网络模型结构；计算机视觉；

1. CNN的基本概念和构成

卷积神经网络（convolutional neural network, CNN），也称卷积网络和 convnet，是一种专门用来处理具有类似网络结构的数据（例如时间序列数据和图像数据）的神经网络，被广泛用于处理计算机视觉领域的任务。它通过学习模块化模式和概念的层次结构来表示视觉世界，在一些模式识别领域取得了良好的效果。CNN通常具有多层结构，但基本由输入层，卷积层（convolutional layer），池化层（pooling layer），全连接层和输出层组成。

​

CNN的输入通常是一个矩阵，例如一个图片对应的像素信息，有时会将它的输入输出数据称为特征图（fueature map）。卷积层作为输入层后的第一层，用来提取输入的局部特征，并保持图像的空间连续性，它有多个滤波器组成，用来计算不同的特征映射。不同层数的卷积层可以提取出不同层级的特征，第一层的卷积层可以提取边缘、线条等低级特征，随着层数的加深，更高层的卷积层可以提取出更高级更抽象的特征信息，而其中关于图像视觉内容的信息越来越少，关于类别的信息越来越多，这也是有关复杂特征提取任务的模型一般都具有较多层数的一个原因。

池化层紧跟在卷积层之后，作用是降低中间隐藏层的维度，减少后面所需的运算量，并起到空间不变性的作用。可以采用最大池化（max-pooling），平均池化（mean-pooling），混合池化（mixed pooling），随机池化等方式进行计算。另一方面它没有要学习的参数，只是从目标区域中取最大值（或平均值等），也不改变输