《ConvNet图像分类模型概述》1900字.docxVIP

ConvNet图像分类模型概述

目录

TOC\o1-3\h\u12490ConvNet图像分类模型概述 1

218681.1卷积神经网络 1

245951.1.1Cnn的特性 1

76581.1.2Cnn结构 1

134821.2ConvNeXts 2

卷积神经网络

21世纪10年代以来，深度学习取得了巨大的进步，产生了巨大的影响。主要的驱动力是神经网络的复兴，特别是卷积神经网络(ConvNets)。十年来，视觉识别领域成功地从工程特征转变为设计(ConvNet)架构。尽管使用反向传播的方式训练卷积神经网络的方法可以追溯到20世纪80年代[8]，但直到2012年底我们才看到它的在视觉识别领域的真正潜力。现在，卷积神经网络已经成为了图像识别领域的主力军。卷积神经网络在计算机视觉中的完全主导地位并非巧合:在许多应用场景中，“滑动窗口”方法是视觉处理的固有特性，特别是在处理高分辨率图像时。卷积神经网络会有几个内置的归纳偏差，使其非常适合各种计算机视觉应用。卷积神经网络本身也是高效的，因为当以滑动窗口的方式使用时，计算是共享的。[9]

Cnn的特性

局部连接

卷积神经网络是一个多层的神经网络，可以通过局部连接改变参数。一般采用卷积层与采样层交替设置，不用让所有神经元和输入数据全连接。

卷积

通过权值决定卷积参数，可以减少网络的规模。

池化层