“CNN”版本间的差异
| 第1行： | 第1行： | ||
| − | CNN简述 | + | =CNN简述= |
| + | |||
从动物的中枢神经系统得到灵感，于是诞生了人工神经网络。大量节点之间建立联系能够让机器解决更多更复杂的问题。在此讨论卷积神经网络（CNN）的模型及其影响。 | 从动物的中枢神经系统得到灵感，于是诞生了人工神经网络。大量节点之间建立联系能够让机器解决更多更复杂的问题。在此讨论卷积神经网络（CNN）的模型及其影响。 | ||
| + | |||
#CNN简述 | #CNN简述 | ||
| − | # | + | |
| + | #卷积神经网络。 | ||
| + | |||
| + | 它是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现[2]。 | ||
| + | |||
| + | CNN的基本结构由输入层、卷积层、池化层、全连接层及输出层构成。其中，大部分是由卷积层与池化层相连形成。卷积层输出特征面通过加权求和并加上偏置值，提取输入区域的某些局部特征[3]。 | ||
| + | |||
| + | 然后将其局部加权和传递给非线性函数之后即可输出[4]。 | ||
| + | |||
| + | 卷积层则是池化层的输入层，卷积层的一个特征面与池化层的一个特征面唯一对应。池化层旨在通过降低特征面的分辨率来获得具有空间不变性的特征[5]。 | ||
| + | |||
| + | 多个卷积层和池化层后有全连接层，它可以整合卷积层或池化层中具有类别区分性的信息[6]。 | ||
| + | |||
| + | 因此，各层提取的特征在不同角度一次次增强，最后使整体变得十分抽象[7]，但同时局部特征变得尤为凸显。 | ||
| + | |||
参考文献 | 参考文献 | ||
| + | |||
[1] Simon Haykin.神经网络原理[M].北京：机械工业出版社，2004. | [1] Simon Haykin.神经网络原理[M].北京：机械工业出版社，2004. | ||
| + | |||
[2] 维基百科.Convolutional neural network[EB/OL]. https://en.wikipedia.org/wiki/Convolutional_neural_network, 2017-11-09. | [2] 维基百科.Convolutional neural network[EB/OL]. https://en.wikipedia.org/wiki/Convolutional_neural_network, 2017-11-09. | ||
| + | |||
[3] LeCun Y, Bottou L, Bengio Y.Gradient-based learning applied to document recognition.[J].Proceedings of the IEEE,1998,(11):2278-2324. | [3] LeCun Y, Bottou L, Bengio Y.Gradient-based learning applied to document recognition.[J].Proceedings of the IEEE,1998,(11):2278-2324. | ||
| + | |||
[4] 周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报，2017，40（06）：1229-1251. | [4] 周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报，2017，40（06）：1229-1251. | ||
| + | |||
[5] Jiujiang, Gu, Zhenhua, Wang, Jason, Kuen. Recent advances in convolutional neural networks[J]. Pattern Recognition, 2018, (77): 354-377. | [5] Jiujiang, Gu, Zhenhua, Wang, Jason, Kuen. Recent advances in convolutional neural networks[J]. Pattern Recognition, 2018, (77): 354-377. | ||
| + | |||
[6] Tara, N, Sainath, Brian, Kingsbury. Deep Convolutional Neural Networks for Large-scale Speech Tasks[J]. Neural Networks, 2015, (64): 39-48. | [6] Tara, N, Sainath, Brian, Kingsbury. Deep Convolutional Neural Networks for Large-scale Speech Tasks[J]. Neural Networks, 2015, (64): 39-48. | ||
| + | |||
[7] 金林鹏,董军.面向临床心电图分析的深层学习算法[J].中国科学:信息科学,2015,45(03):398-416. | [7] 金林鹏,董军.面向临床心电图分析的深层学习算法[J].中国科学:信息科学,2015,45(03):398-416. | ||
| + | |||
[8] 张晴晴,刘勇,王智超,潘接林,颜永红.卷积神经网络在语音识别中的应用[J].网络新媒体技术,2014,3(06):39-42. | [8] 张晴晴,刘勇,王智超,潘接林,颜永红.卷积神经网络在语音识别中的应用[J].网络新媒体技术,2014,3(06):39-42. | ||
| + | |||
[9] Tai Sing Lee,David Mumford,Richard Romero,Victor A.F. Lamme. The role of the primary visual cortex in higher level vision[J]. Vision Research,1998,38(15)：2429-2454. | [9] Tai Sing Lee,David Mumford,Richard Romero,Victor A.F. Lamme. The role of the primary visual cortex in higher level vision[J]. Vision Research,1998,38(15)：2429-2454. | ||
| + | |||
[10] 曹林林,李海涛,韩颜顺,余凡,顾海燕.卷积神经网络在高分遥感影像分类中的应用[J].测绘科学,2016,41(09):170-175. | [10] 曹林林,李海涛,韩颜顺,余凡,顾海燕.卷积神经网络在高分遥感影像分类中的应用[J].测绘科学,2016,41(09):170-175. | ||
2019年10月30日 (三) 01:33的最后版本
CNN简述
从动物的中枢神经系统得到灵感，于是诞生了人工神经网络。大量节点之间建立联系能够让机器解决更多更复杂的问题。在此讨论卷积神经网络（CNN）的模型及其影响。
- CNN简述
- 卷积神经网络。
它是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现[2]。
CNN的基本结构由输入层、卷积层、池化层、全连接层及输出层构成。其中，大部分是由卷积层与池化层相连形成。卷积层输出特征面通过加权求和并加上偏置值，提取输入区域的某些局部特征[3]。
然后将其局部加权和传递给非线性函数之后即可输出[4]。
卷积层则是池化层的输入层，卷积层的一个特征面与池化层的一个特征面唯一对应。池化层旨在通过降低特征面的分辨率来获得具有空间不变性的特征[5]。
多个卷积层和池化层后有全连接层，它可以整合卷积层或池化层中具有类别区分性的信息[6]。
因此，各层提取的特征在不同角度一次次增强，最后使整体变得十分抽象[7]，但同时局部特征变得尤为凸显。
参考文献
[1] Simon Haykin.神经网络原理[M].北京：机械工业出版社，2004.
[2] 维基百科.Convolutional neural network[EB/OL]. https://en.wikipedia.org/wiki/Convolutional_neural_network, 2017-11-09.
[3] LeCun Y, Bottou L, Bengio Y.Gradient-based learning applied to document recognition.[J].Proceedings of the IEEE,1998,(11):2278-2324.
[4] 周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报，2017，40（06）：1229-1251.
[5] Jiujiang, Gu, Zhenhua, Wang, Jason, Kuen. Recent advances in convolutional neural networks[J]. Pattern Recognition, 2018, (77): 354-377.
[6] Tara, N, Sainath, Brian, Kingsbury. Deep Convolutional Neural Networks for Large-scale Speech Tasks[J]. Neural Networks, 2015, (64): 39-48.
[7] 金林鹏,董军.面向临床心电图分析的深层学习算法[J].中国科学:信息科学,2015,45(03):398-416.
[8] 张晴晴,刘勇,王智超,潘接林,颜永红.卷积神经网络在语音识别中的应用[J].网络新媒体技术,2014,3(06):39-42.
[9] Tai Sing Lee,David Mumford,Richard Romero,Victor A.F. Lamme. The role of the primary visual cortex in higher level vision[J]. Vision Research,1998,38(15)：2429-2454.
[10] 曹林林,李海涛,韩颜顺,余凡,顾海燕.卷积神经网络在高分遥感影像分类中的应用[J].测绘科学,2016,41(09):170-175.
