卷积神经网络在图像分类和目标检测应用综述

卷积神经网络包括输入层、卷积层、池化层、全连接层和分类器。
卷积层后一般接入池化层来减小数据量，较常见的有最大池化和平均值池化。经过交替的卷积层和池化层之后，已经获得了高度抽象的特征图像，全连接层可以看做是设计了与最后一层特征图像尺寸相同的卷积核，而将这些二维特征图像“抹平”成一维数组，对提取的特征进行分类。
卷积神经网络对卷积核参数的学习训练是通过梯度方向传播算法实现的，该算法是一种有监督学习算法。假设网络的训练尚未完善，输入信号的训练输出和实际输出会有一定的误差，误差在梯度下降算法中逐层传播，逐层更新网络参数。
减少过拟合的主要思路是将网络变得更加“稀疏”，网络的连接更加随机化。
注:文章选自《卷积神经网络在图像分类和目标检测应用综述》周俊宇等