CNN相关概念参考：http://www.360doc.com/content/19/0410/19/13328254_827767674.shtml

为什么用CNN做影像处理？

当用一般的Neural Network做影像处理时，需要用到太多的参数：

CNN减少参数主要考虑三个方面的性质：

1、可连接图片中更小的有效区域：

2、当一些相同的模式出现在图片的不同区域时，可采用相同的参数集合来处理：

3、对图片降采样不会改变实物

 

CNN流程：

对于以上前三条性质的前两条采用Convolution的方法，第三条则采用Max Pooling的方法：

 

Convolution:

首先，定义一些maxtrix来表示一些filter：

对于每一个filter，在image中定义一个stride来分步用filter与每次image中的选定区域做内积（两矩阵相乘），每步得到一个结果：

将这些依次得到的结果对应写成矩阵形式：

每个filter都这样做：有多少filter就在feature中对应得到多少image

可以看出通过这样做，image由6*6就变成了4*4，设原来image为n*n，filter为m*m，则通过convolution后得到的大小应该就是：

(n-m+1)*(n-m+1)  //个人认为，因为通过观察这个过程，最后m行m列就对应一个1*1的image(再往后在image上选出的区域就超出image范围了)，然后前面就是(n-m)*(n-m)的，加起来就是(n-m+1)*(n-m+1) 

以上是二维黑白01的情况，接下来考虑彩色三维的情况：

share weight：

Max Pooling:

对每个filter通过convolution得到的矩阵，划分几个大小相同的块，每个块中选最大的保留：

 

注：28-3+1=16  n=28 m=3

        26/2=13

Deep Dream:

通过夸大机器看到的东西，来修改图片：

 

Deep Style：

让一张图片看起来像另一张图片，让修改后的图片能匹配这两张图的特征：

 

CNN的更多应用：