一、卷积神经网络（CNN）

（一）应用领域

1、2012年深度学习起来后，计算机视觉（CV）错误率大幅下降，2015年已经低于人类，之后便不再深入了

2、卷积神经网络应用领域

传统神经网络 中间矩阵特别大 速度慢，于是提出了卷积神经网络

• 检测任务：追踪图像，例如yolov8系列

• 分类与检索：图像分类，拍照搜图（淘宝、电商之类的）

• 超分辨率重构：图像优化（wifu2x、去马赛克之类的）

• 医学任务：细胞检测、人体透视图动态分析（看病变）、OCR、车牌识别

• 无人驾驶：

• 人脸识别

（二）卷积的作用

1、卷积神经网络与传统网络区别

• 输入参数传统的是一列特征，而卷积的是直接输入原始的（多维）

• 整体架构：输入层、卷积层（提取特征）、池化层（压缩特征）、全连接层

2、卷积做了什么

• 对原始图像分割成同样的小区域，每个小区域的特征是不一样的

• 选择一种计算方法，对每个小区域计算应该的特征值

（三）卷积特征值计算方法

1、图像颜色通道（RGB三个通道）

• 三个通道分别计算特征值，然后相加，记得有个偏执项

（四）得到特征图表示（feature map）

• 可多尺度多粒度 用多个filter去卷出特征图

（五）步长与卷积核大小对结果的影响

• 多层堆叠卷积，
• 卷积设计参数
  • 滑动窗口步长：步长：1、2、3…，越小细粒度越高，越大越粗糙，得到特征越粗糙
  • 卷积核大小：最小3x3的
  • 边缘填充
  • 卷积核个数