卷积神经网络优点

卷积神经网络是在Hub等人对猫的视觉皮层中细胞的研究基础上，通过拟生物大脑皮层构而特殊设计的含有多隐层的人工神经网络。卷积层、池化层、激活函数是卷积神经网路的要组部分。卷积神经网络通过局部感受野、权重共享和降采样3种策略，降低了网络模型的复杂度，同时对于平移、旋转、尺度缩放等形式的变有度的不变性。因此被广泛应用于图像分类、目标识别、语音识别等领域一般情况下，常见的卷积神经网络由输入层、卷积层、激活层、池化层、全连接层和最后的输出层构成。
卷积神经网络采用原始图像作为输入， 可以有效的从大量样本中学习到相应地特征， 避免了复杂的特征提取过程。由于卷积神经网络(CNN) 可以直接对二维图像进行处理， 因此， 在图像处理方面得到了广泛的应用， 并取得了较多的研究成果。该网络通过简单的非线性模型从原始图像中提取出更加抽象的特征，并且在整个过程中只需少量的人工参与。
卷积神经网络具有局部感知和参数共享两个特点，局部感知即卷积神经网络提出每个神经元不需要感知图像中的全部像素，只对图像的局部像素进行感知，然后在更高层将这些局部的信息进行合并，从而得到图像的全部表征信息。不同层的神经单元采用局部连接的方式，即每一层的神经单元只与前一层部分神经单元相连。每个神经单元只响应感受野内的区域，完全不关心感受野之外的区域。这样的局部连接模式保证了学习到的卷积核对输入的空间局部模式具有最强的响应。权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。而且卷积神经网络采用原始图像作为输入，可以有效的从大量样本中学习到相应地特征，避免了复杂的特征提取过程。