卷积神经网络基础

计算机视觉作为一门让机器学会如何去“看”的科学学科，具体的说，就是让机器去识别摄像机拍摄的图片或视频中的物体，检测出物体所在的位置，并对目标物体进行跟踪，从而理解并描述出图片或视频里的场景和故事，以此来模拟人脑视觉系统。因此，计算机视觉也通常被叫做机器视觉，其目的是建立能够从图像或者视频中“感知”信息的人工系统。

计算机视觉技术经过几十年的发展，已经在交通（车牌识别、道路违章抓拍）、安防（人脸闸机、小区监控）、金融（刷脸支付、柜台的自动票据识别）、医疗（医疗影像诊断）、工业生产（产品缺陷自动检测）等多个领域应用，影响或正在改变人们的日常生活和工业生产方式。未来，随着技术的不断演进，必将涌现出更多的产品应用，为我们的生活创造更大的便利和更广阔的机会。

本篇介绍计算机视觉的经典模型（卷积神经网络）

卷积神经网络：卷积神经网络（Convolutional Neural Networks, CNN）是计算机视觉技术最经典的模型结构。本教程主要介绍卷积神经网络的常用模块，包括：卷积、池化、**函数、批归一化、Dropout等。

卷积神经网络是目前计算机视觉中使用最普遍的模型结构，它的基础模块包括：

• 卷积(Convolution)
• 池化(Pooling)
• ReLU**函数
• 批归一化(Batch Normalization)
• 丢弃法(Dropout)

 

                                                                       图1：卷积神经网络经典结构

 

图1是一个典型的卷积神经网络结构，多层卷积和池化层组合作用在输入图片上，在网络的最后通常会加入一系列全连接层，ReLU**函数一般加在卷积或者全连接层的输出上，网络中通常还会加入Dropout来防止过拟合。

 

说明：

在卷积神经网络中，计算范围是在像素点的空间邻域内进行的，卷积核参数的数目也远小于全连接层。卷积核本身与输入图片大小无关，它代表了对空间邻域内某种特征模式的提取。比如，有些卷积核提取物体边缘特征，有些卷积核提取物体拐角处的特征，图像上不同区域共享同一个卷积核。当输入图片大小不一样时，仍然可以使用同一个卷积核进行操作。

卷积是数学分析中的一种积分变换的方法，在图像处理中采用的是卷积的离散形式。这里需要说明的是，在卷积神经网络中，卷积层的实现方式实际上是数学中定义的互相关 （cross-correlation）运算，与数学分析中的卷积定义有所不同，这里跟其他框架和卷积神经网络的教程保持一致，都使用互相关运算作为卷积的定义，具体过程如下：

                                                         图2：卷积计算过程

 

卷积核（kernel）也被叫做滤波器（filter），假设卷积核的高和宽分别为khk_hkh​和kwk_wkw​，则将称为kh×kwk_h\times k_wkh​×kw​卷积，比如3×53\times53×5卷积，就是指卷积核的高为3, 宽为5，

• 如图2（a）所示：左边的图大小是3×33\times33×3，表示输入数据是一个维度为3×33\times33×3的二维数组；中间的图大小是2×22\times22×2，表示一个维度为2×22\times22×2的二维数组，我们将这个二维数组称为卷积核。先将卷积核的左上角与输入数据的左上角（即：输入数据的(0, 0)位置）对齐，把卷积核的每个元素跟其位置对应的输入数据中的元素相乘，再把所有乘积相加，得到卷积输出的第一个结果  ：

  0×1+1×2+2×4+3×5=25       (a)

• 如图2（b）所示：将卷积核向右滑动，让卷积核左上角与输入数据中的(0,1)位置对齐，同样将卷积核的每个元素跟其位置对应的输入数据中的元素相乘，再把这4个乘积相加，得到卷积输出的第二个结果  ： 0×2+1×3+2×5+3×6=31       (b)

以此类推，可以知道C、D

 

卷积核的计算过程可以用下面的数学公式表示，其中 a 代表输入图片， b 代表输出特征图，w是卷积核参数，它们都是二维数组，∑u,v 表示对卷积核参数进行遍历并求和。

 

 

 

没力气写了，先写这么多，后面再补充。