YOLO学习（三）卷积神经网络CNN

1.基础知识

CNN，即卷积神经网络（Convolutional Neural Network），是一种深度学习模型，它在图像识别、视频分析和自然语言处理等领域表现出色。CNN通过使用卷积层来提取图像数据的局部特征，然后通过池化层（Pooling Layer）来降低特征的空间维度，最后通过全连接层（Fully Connected Layer）进行分类或回归任务。

经典的神经网络结构包含三个层次的神经网络。分别输入层，输出层以及隐藏层。

其中每层的圆圈代表一个神经元，隐藏层和输出层的神经元有输入的数据计算后输出，输入层的神经元只是输入。

1.1神经网络的特点

• 每个连接都有个权值

• 同一层神经元之间没有连接

• 最后的输出结果对应的层也称之为全连接层FC

• 局部连接 + 权值共享：降低模型复杂度，减少权值数量。

1.2 主要应用场景

CNN能够自动从数据中学习特征，而无需人工设计特征提取器，使得它在处理图像和其他高维数据时非常有效。主要用于解决涉及大量非线性和高维数据的问题，尤其是在图像处理领域。它能够识别和分类图像中的物体、面部、场景等。此外，CNN也被应用于语音识别、自然语言处理、医学图像分析、推荐系统等多种任务。

1.3名词解释

• CNN：Convolutional Neural Network
• Filter：卷积核。用于从图像中提取特征。每个Filter都是一个特征提取器，不同的Filter可以提取出图像中的不同模式。Filter的数量等于Feature Maps的数量。不同的Feature Maps可表示输入数据的不同表示，每个表示都强调了输入数据的不同方面。更多的Filter意味着网络具有更大的能力去学习和以及数据汇总的复杂关系。
• Feature Maps：特征图。经过Filter处理后得到的输出，可表示图像的某种特点或者模式，一个Filter对应一个Feature Map。

2. 整体结构

CNN通用结构

LeNet-5结构（由Yann LeCun等于1998年提出。主要用于手写数字识别任务，也可用于其他图像识别任务）

CNN基本组成：输入层、隐藏层、输出层。隐藏层分为：卷积层 + 池化层

2.1 输入层（Input Layer）

一般为一张原始的图片。

2.2 卷积层（Convolutional Layer）

通过使用一系列可学习的滤波器（或称为卷积核）来扫描输入图像，提取图像的局部特征。这些滤波器能够捕捉到图像中的边缘、纹理等基本特征。用于提取图像的局部特征。以LeNet-5为例：

• 32x32 -> 6@28x28：6个 5x5卷积核。
• 6@14x14 -> 16@10x10：5x5卷积核，且输入通道为6，输出通道为16。

通常在卷积层之后应用非线性激活函数，如ReLU（Rectified Linear Unit），以引入非线性，使得网络能够学习更复杂的任务。

2.3 池化层（Pooling Layer）：

用于降低特征的空间维度，减少参数数量和计算量，提高网络的鲁棒性。常见的池化操作有最大池化（Max Pooling）和平均池化（Average Pooling）。

• 增加感受野 ： 在卷积层之间增加池化，可以扩大感受野(receptive field)
• 保持不变性： 对微小区域内具有平移不变性，层数多时，具有不变性的区域变大
• 降低优化参数及难度： 相比较使用卷积层对数据进行下采样，池化层不需要优化参数，而且池化后数据量更少，也确保模型参数量更少

2.3.1平移不变性