卷积神经网络CNN
-
全连接前馈问题:
- 参数太多:效率低且容易过拟合
- 局部不变特性:忽略物体的局部不变性特征,比如图像中的尺度缩放、平移、旋转等操作不影响其语义信息。如果使用全连接,则所有维度都被一视同仁,如(x1,y1) (x2,y2)中的四个数字被等价看待,但是实际上x1和x2的关联度(相关性)会高于x1和y1,一般需要进行数据增强来提高性能。
-
卷积神经网络CNN是一种具有局部连接、权重共享、汇聚等特性的深层前馈神经网络。
-
一维卷积(信号处理中使用)
- 𝑦𝑡= ∑ 𝑤𝑘𝑥𝑡−𝑘+1 ( 1 ≤ 𝑘 ≤ K) ,其中𝑤1 , 𝑤2 , ⋯ 称为滤波器或卷积核,滤波器长度为K,这里假设卷积的输出 𝑦𝑡 的下标 𝑡 从 𝐾 开始。信号序列𝒙和滤波器𝒘的卷积定义为𝒚 = 𝒘 ∗ 𝒙, 其中∗表示卷积运算。
- 简单移动平均: 𝒘 = [1/𝐾, ⋯ , 1/𝐾] ;信号序列的二阶微分:𝒘 = [1, −2, 1],可以检测信号序列中的高频信息(高频和低频指信号变化的强烈程度)
-
二维卷积(图像)
-
给定图像 𝑿 ∈ ℝ𝑀×𝑁 和滤波器 𝑾 ∈ ℝ𝑈×𝑉, 𝑈 << 𝑀, 𝑉 << 𝑁,其卷积 𝑦𝑖𝑗= ∑ 𝑢 = 1 𝑈 \sum_{𝑢=1}^{𝑈} ∑u=1U
-