《模式识别原理、应用及实现》 课件 9.1CNN

9.1卷积神经网（ＣＮＮ）ＣＮＮ的典型结构全连接网络分类结果卷积层池化层卷积层池化层特征扁平化多次重复9.1.1

ＣＮＮ的引入图像里的一些特征范围远小于整幅图像一个神经元不会遍历整幅图像去找特征可以考虑用少量参数对图像进行局部连接9.1.1ＣＮＮ的引入在图像的不同区域可能出现相同或相近的特征图像左上角图像中部可以用同一参数检测同一特征9.1.1ＣＮＮ的引入从人眼角度图像下采样不会影响目标的识别下采样下采样使图像变小减少参数9.1.２

卷积运算1000010100100011001000100100100010106x6image1-1-1-11-1-1-11卷积核1-11-1-11-1-11-1卷积核2……滤波器的元素是待学习的参数每个滤波器检测一种特征(3x3).9.1.２

卷积运算1000010100100011001000100100100010106x6图像3-3步长stride=21-1-1-11-1-1-11卷积核9.1.２

卷积运算1000010100100011001000100100100010106x6图像3-1步长stride=１1-1-1-11-1-1-11卷积核9.1.２

卷积运算1000010100100011001000100100100010101-1-1-11-1-1-11卷积核3-1-3-1-310-3-3-3013-2-2-1步长stride=１9.1.２

卷积运算1000010100100011001000100100100010106x6图像3-1-3-1-310-3-3-3013-2-2-1-11-1-11-1-11-1-1-1-1-1-1-1-21-1-1-21-10-43步长stride=14x4图像特征图1-1-1-11-1-1-11卷积核１卷积核２9.1.２

卷积运算1000010100100011001000100100100010101000010100100011001000100100100010101000010100100011001000100100100010101-1-1-11-1-1-11卷积核1-11-1-11-1-11-11-1-1-11-1-1-111-1-1-11-1-1-11-11-1-11-1-11-1-11-1-11-1-11-1彩色图像卷积核

２9.1.２

卷积运算1000010100100011001000100100100010101-1-1-11-1-1-11卷积核1:2:3:…7:8:9:…13:14:15:…由36个参数减少为9个参数。4:10:16:1000010000113共享参数机制，参数减少9.1.３

池化3-1-3-1-310-3-3-3013-2-2-1-1-1-1-1-1-1-21-1-1-21-10-433013-1-0.75-0.75-0.5最大值池化平均值池化9.1.4扁平化3013-1130扁平化3013-1103全连接前向神经网络9.1.5典型的ＣＮＮ框架LeNet5诞生于1994年，是最早的卷积神经网络之一，并且推动了深度学习领域的发展。2012年，AlexNet是LeNet的一种更深更宽的版本。也首次在CNN中成功应用了ReLU、Dropout等技术。VGGＮet网络是第一个在各个卷积层使用更小的3×3过滤器（filter），并把它们组合作为一个卷积序列进行处理的网络。GoogleN