CNN 神经网络介绍

一、传统的模式识别方法

 人工设计的特征提取方法+分类器（可以是全连接神经网络）

1.1. 图像–特征提取–>特征–分类器–>数字类别

1.2. 缺点：需要手动设计特征提取方法，通常对于不同的问题需要不同的特征提取方法。而且效果与特征提取方法关系很大。

直接处理图像的全连接神经网络(raw input)

2.1. 图像–全连接神经网络–>数字类别

2.2. 缺点：

a. 参数数量爆炸（起码与图像像素数目成正比）：需要大数据集，难以收敛，容易过拟合，会超内存。

b. 不保证对旋转以及局部扭曲的无关性，需要数字图像居中才可以得到较好的准确度（通常难以满足）。理论上全连接可以得到旋转以及局部扭曲不变性，即在不同位置都有一个相似的权值单元，但是需要大量的局部移动的训练样本）。

c. 忽略了图像的拓扑结构，任意打乱图像的像素顺序不会影响训练结果。

二、CNN 的特点

 

CNN的三个主要思想（局部感受野、权值共享以及降采样）就是为了弥补上诉全连接网络的三个缺点，使得网络可以保证平移、缩放、扭曲无关性。

 

1局部感受野

 

局部感受野可以从大脑皮层中处理视觉的V1神经元那里得到佐证，但是不限于V1神经元的功能。通过局部感受野，第一层神经元提取图像中的诸如线点角等基本图像的特征，然后再逐步提取高层特征。

同时局部感受野可以很好的利用图像的拓扑结构，因为每个感受野里的像素点都是有空间结构的，对应全连接神经网络的缺点c。