卷积神经网络1.pptx

深度学习之卷积神经网络概述20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。BackgroundBP与CNNResearchCNN与标准的BP最大的不同是：CNN中相邻层之间的神经单元并不是全连接，而是部分连接，也就是某个神经单元的感知区域来自于上层的部分神经单元，而不是像BP那样与所有的神经单元相连接。Method全连接与局部连接研究方法局部接受域和权值共享Research二维空间上的局部接受域使得神经网络可以从输入图像中提取初级视觉特征，如特定角度的边缘，端点和拐角等。 权值共享迫使那些共享同一组权值的神经元在输入的不同位置检测同一种特征。卷积神经网络把每层共享相同权值的神经元组织成一个二维平面，称为特征图(Feature Map)，Method研究方法池化操作Research输出的结构的基础上在特征图的不同位置的值进行统计操作，在保留特征的显著性的同时降低参数规模。使用统计后的结果代替原来特征图上对应的值作为输出，这个操作过程就被称之为池化操作。一般分为两种，平均池化、最大池化和随机池化。Method研究方法结构示意图NetworkCNN一般采用卷积层与采样层交替设置，即一层卷积层接一