2.2.1：CNN的基本原理与视觉特征提取优势

CNN的基本原理与视觉特征提取优势主讲教师：杨婷婷汽车人工智能通识讲义项目二

任务4CONTENTS一、什么是CNN二、CNN的诞生与发展汽车人工智能通识讲义三、CNN的四大核心组件一、什么是CNN？车载视觉系统的“大脑”CNN（卷积神经网络）是赋予智能汽车环境感知能力的核心算法模型。自动特征提取与识别核心功能是自动从海量图像中学习并提取关键特征，实现对目标的精准识别。广泛的应用场景应用从手写数字识别，到智能汽车的行人、车道线、障碍物检测等。CNN在智能驾驶中的应用示意图汽车人工智能通识讲义二、CNN的诞生与发展LeNet-5：开山之作1998年，YannLeCun提出LeNet-5，成功应用于手写数字识别，奠定了CNN的基础。深度学习基石如今，CNN已成为深度学习的核心，在计算机视觉领域得到广泛应用。车载场景应用在自动驾驶中，CNN是实现环境感知、目标检测与识别的核心算法。CNN网络结构演变示意图汽车人工智能通识讲义三、CNN的四大核心组件输入层(InputLayer)接收原始图像数据，是神经网络的起点。卷积层(ConvolutionalLayer)通过卷积核提取图像的局部特征，如边缘、纹理等。池化层(PoolingLayer)对特征图进行降采样，减少数据量并保留关键信息。全连接层(FullyConnectedLayer)将提取的特征映射到最终的类别空间，完成分类任务。CNN核心组件流程图汽车人工智能通识讲义1.输入层：数据的“准备工作”数据接收接收灰度图或RGB图。预处理操作标准化：统一图像尺寸。归一化：将像素值缩放到0-1之间。数据增强：旋转、翻转、裁剪，提升模型鲁棒性。原始图像与预处理后图像对比为后续的特征提取与模型训练提供高质量、标准化的数据基础。汽车人工智能通识讲义2.卷积层：自动提取特征核心操作通过可学习的“滤波器”（卷积核）在图像上滑动，计算局部特征。两大特性局部连接每个神经元只关注输入图像的一个局部区域。权重共享同一滤波器在整张图像上使用相同参数，减少计算量。卷积核在特征图上滑动计算示意图汽车人工智能通识讲义3.池化层：给数据“瘦身”核心作用通过下采样，降低特征图的空间维度，保留关键信息。常用方法最大池化(MaxPooling)保留局部区域的最大值，捕捉最强特征信号。平均池化(AveragePooling)计算局部区域的平均值，保留区域整体特征。核心优点降低计算复杂度，提升模型鲁棒性，有效控制过拟合。图：最大池化与平均池化操作对比汽车人工智能通识讲义4.全连接层：最终的决策整合特征将前面提取的局部特征组合成全局特征向量。输出概率通过Softmax激活函数，输出每个类别的概率。防止过拟合常使用Dropout技术，随机“关闭”部分神经元。全连接层与Dropout技术示意图汽车人工智能通识讲义CNN工作流程总结输入层(InputLayer)预处理数据，如归一化、尺寸调整，为后续特征提取做准备。卷积层(ConvolutionalLayer)通过卷积核运算，提取图像的边缘、纹理等底层及高层特征。池化层(PoolingLayer)对特征图进行降维，减少参数和