基于CNN 的单路口路网程序分析——CNN篇

0.学习目标

1. 学习卷积神经网络(CNN)的结构
2. 掌握图像卷积、池化等概念和原理

1.卷积神经网络(CNN)

1.1 为什么使用卷积神经网络？

作为人工神经网络(ANN)的一个推广和延申，卷积神经网络已经被证明是图像识别领域最有效的工具。就本例而言，我们从SUMO.gui界面直接读取像素点，这是一个高维的输入。卷积神经网络可以很好的完成自动提取特征、降维处理数据输入等任务。

1.2 卷积神经网络的基本结构

上图是一个简单的CNN 网络例子。输入是一张图片的像素值；输入图像分为四类：狗，猫，船或鸟（原始LeNet主要用于字符识别任务）。从上图可以明显看出，在接收到船图像作为输入时，网络会正确分配所有四个类别中船的最高概率（0.94）。输出层中所有概率的总和应为1（在本文后面解释）。

可以看出，CNN的操作分为四步：

1.卷积
2.非线性处理（ReLU）
3.池化
4.分类（全连接层）

1.3 输入图像及概念

卷积神经网络的输入是一张照片，其实质是一个像素点矩阵，如下图。