机器学习|什么是卷积神经网络深度学习|计算机视觉|cnn

卷积神经网络（Convolutional Neural Network， CNN）卷积离散卷积：

文章图片

卷积公式：

文章图片

如果有一个系统，输入不稳定，输出稳定，可以用卷积求系统存量
图像的卷积操作：对图像的像素点，用33的矩阵（卷积核）来对原图像相乘，得到的图像外围的像素点用0表示【卷积核不一定必须是33】
图像是函数f，卷积核是函数g

文章图片

文章图片

文章图片

文章图片

文章图片

旋转180度后才是卷积核
关键：把卷积当成是过去对现在的影响，即周围像素点对当前像素点的影像，g函数就是规定了如何影响的关键
卷积神经网络有2大特点：

能够有效的将大数据量的图片降维成小数据量
能够有效的保留图片特征，符合图片处理的原则

经典的CNN由三个部分组成：卷积层，池化层（下采样），全连接层
卷积层（提取特征）：通过卷积核的过滤提取出图片中局部的特征
将图像拆分成对应的特点，被称为卷积核。然后查看被识别图像有无对应的卷积核来确认是否为目标物体，用卷积核扫描目标图得出的一个二维图为特征图。

文章图片

池化层（数据降维，避免过拟合）：比如有2020的原始图片，我们对其进行池化，采样窗口为1010，最终将其下采样成为一个2*2大小的特征图
池化分为有最大池化（选择被扫描区域内的最大值）和平均池化（取被扫描区域内的平均值等池化方式）
在处理边缘时的操作称为（Padding）
如果对图像采用最大池化，则在边缘补零来提取边缘特征，池化要求一定要保留原特征图的特征

文章图片

全连接层：输出结果

文章图片

经典的CNN并非只是上面提到的3层结构，而是多层结构
用大数据修正卷积核和全链接的行为叫机器学习
然后用算法不断修正用来处理特征数组的权链接。
得到越来越令人满意的网络。
所以甚至一开始的卷积核和权链接是随机的，只要给出的数据和反馈足够多，却仍然可以得到正确的算法网络
CNN的实际应用

图像分类、检索：图像搜索
目标定位检测：自动驾驶
目标分割：美图秀秀，视频后期加工，图像生成
人脸识别
骨骼识别

参考视频：
【小动画】彻底理解卷积【超形象】卷的由来，小元老师
卷积究竟卷了啥？——17分钟了解什么是卷积
从“卷积”、到“图像卷积操作”、再到“卷积神经网络”，“卷积”意义的3次改变
How Convolutional Neural Networks work
【机器学习|什么是卷积神经网络】参考文章：
这篇文章讲的太清楚了-> 卷积神经网络 – CNN
What is a Convolutional Neural Network?