1.神经认知机模型
由负责对比度提取的G层,负责图形特征提取的S细胞层和抗变形的C细胞层交替排列组成。
- 经过交替排列,反复迭代,底层提取的局部特征会逐渐变成全局特征;
- 因输入模式变化引起的畸变可以很好地被C细胞消除,对变形有较好的稳健性。
2.卷积神经网络CNN
基于人类视觉皮层感受野的结构得到的模型,由输入层、卷积层、池化层、全连接层、输出层组成,接下来分别具体介绍不同层。
卷积的本质:如果全部都是全连接层,参数太多,无法调整,无法实现,因此改用卷积核,共享参数,减少参数量。
卷积层
- 由输入样本和卷积核进行内积运算,得到特征图;
- 特征图尺寸一般小于输入样本大小,可以先对输入样本零填充得到尺寸大小相同的特征图;
- 滑动步长越大,得到的特征图越小;
- 将卷积结果通过激活函数计算得到特征图;
- 一个卷积层可以有多个卷积核,每个卷积核对应一个特征图。
池化层
- 目的:减小卷积层产生的特征图的尺寸,降低了特征图的维度,使特征表示对输入数据的位置变化具有稳健性;
- 方法:
- 最大池化:选取图像区域内的最大值;
- 平均池化:选取图像区域内的平均值