CNN基础

 转载自CNN基础_fun1024-CSDN博客

1. 计算机视觉

（Computer Vision）

一般的CV问题包括以下三类：

    1. 图像分类（Image Classification）
    2. 目标识别（Object detection）
    3. 神经风格转换（Neural Style Transfer）

使用传统神经网络处理机器视觉的一个主要问题是输入层维度很大。如果图片尺寸较大，例如一张1000x1000x3的图片，神经网络输入层的维度将达到3百万，使得网络权重W非常庞大。这样会造成两个后果，一是神经网络结构复杂，数据量相对不够，容易出现过拟合；二是所需内存、计算量较大。解决这一问题的方法就是使用卷积神经网络（CNN）。

CNN做的事情其实是，来简化这个neural network的架构，我们根据自己的知识和对图像处理的理解，一开始就把某些实际上用不到的参数给过滤掉，我们一开始就想一些办法，不要用fully connected network，而是用比较少的参数，来做图像处理这件事情，所以CNN其实是比一般的DNN还要更简单的。
 

2. 卷积操作：以边缘检测举例

（Edge Detection）

最常检测的图片边缘有两类：一是垂直边缘（vertical edges），二是水平边缘（horizontal edges）。

 图片的边缘检测可以通过与相应滤波器进行卷积来实现。以垂直边缘检测为例，原始图片尺寸为6×6，滤波器filter尺寸为3×3，卷积后的图片尺寸为4×4，得到结果如下：

其中 * 表示卷积操作，上图只显示了卷积后的第一个值和最后一个值，其余值可自行计算。

以垂直边缘检测（vertical edges detection）为例，利用卷积可以检测到图像的垂直边缘：

3. 边缘检测补充

图像边缘有两种渐变方式，一种是由明变暗，另一种是由暗变明。以垂直边缘检测为例，下图展示了两种方式的区别。实际应用中，这两种渐变方式并不影响边缘检测结果，可以对输出图像取绝对值操作，得到同样的结果。

 下图展示一个水平边缘检测的例子：

 垂直边缘检测和水平边缘检测的滤波器算子如下所示：

 除了上面提到的这种简单的Vertical、Horizontal滤波器之外，还有其它常用的filters，例如Sobel filter和Scharr filter。这两种滤波器的特点是增加图片中心区域的权重。（下图展示的是垂直边缘检测算子，水平边缘检测算子只需将上图顺时针翻转90度即可。）