cv方向论文跟读笔记《Deep Learning》（2）

《Deep Learning》From 《Nature》

author:Yann lecun, Yoshua bengio, Geoffery Hinton

第二课时：
CNN、基于CNN的图像理解

1.卷积神经网络基础

输入信号的维度：
1D：序列和信号，包括语言信息等。
2D：平面图像、声音频谱图等。
3D：视频信号、立体图像等。
卷积神经网络的关键：
1.信号的局部连接；
2.共享权重；
3.降采样；
4.多层网络结构；
卷积神经网络主要层次结构：
卷积层：
·卷积的输出被称作特征映射
·卷积核共享权重
·卷积神经网络具有稀疏交互性
这样设计的好处：
·数组形式的数据（例如图像），局部值之间是高度相关 的，形成容易检测的各种局部图形
·图片和其他信号数据的局部统计特征具有位置不变性
池化层：
·将邻域内语意相近的的特征进行融合
·常见池化操作：Max-pool，Average-pool
·当前一层特征组件发生位置变化或表现变化，降低当前 蹭的表征变化。
通常将2-3个卷积层+非线性激活函数+池化层作为一个模块；一个模型通常包含多个