0.学习目标
- 学习卷积神经网络(CNN)的结构
- 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。