卷积在图像分类上的运用

任务目标：图像分类

---

图像分类，根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。

深度学习

---

1.丰富了低、中、高等级的特征边缘、纹理、形状、颜色.....高纬度的人类无法理解的特征2.越深、越宽的网络具有越强的表达能力

日有学者证明，一个宽度为K、深度为H的网络，能够产生至少

条线段

• 线段越多，拟合得越准确

• 因此，网络加宽、加深可以提升性能，并且加深效果比加宽好:

使用卷积层算法来对图像信息进行压缩

---

局部感知： 在提取图片特征时，只需得到图片的某一些特征，而一些模式化特征比整张图片小很多，并且一个神经元不需要看到整个图片发现模式。所以，让每个卷积核只与输入图片的一个局部区域连接，该连接空间的大小叫做神经元的感受野(receptive field)，它的尺寸是一个超参数。其通道数量总与输入的通道数相同即在空间维度（宽高）上是局部的，而在深度上总是和输入数据的深度一致。权值共享： 由于同样的模式可能出现在不同的区域，所有采用权值共享的方法，该方法对不同的感受野使用的卷积核参数相同，当权值共享时就相当于卷积核扫过了一整张图片。在卷积层中使用权值共享是用来控制参数的数量。

卷积神经网络

---

卷积神经网络（CNN）是用于图像分类问题的最流行的神经网络模型。CNN背后的一个重要思想是，对图像的局部理解是好的。实际的好处是，参数少将大大缩短了学习所需的时间，并减少了训练模型所需的数据量。CNN具有足够的权重来查看图像的小块，而不是来自每个像素的完全连接的权重网络。

比如一个256 x 256的图像。CNN可以通过局部有效地扫描它，例如，用一个5×5的窗口，通常从左到右，从上到下，如下图所示。它如何“快速”滑动称为其步幅。例如，步幅长度2表示5×5滑动窗口一次移动2个像素，直到它跨越整个图像。

卷积是图像的像素值的加权和，事实证明，整个带有权重矩阵的图像的卷积过程会产生另一个图像。

滑动窗口发生在神经网络的卷积层中，典型的CNN具有多个卷积层。每个卷积层通常产生许多交替卷积，因此权重矩阵是5×5×n的张量，其中n是卷积数。

例如，假设图像通过5×5×64的权重矩阵上的卷积层。它通过滑动5×5窗口生成64个卷积。因此，该模型具有5×5×64=1,600个参数，其参数明显少于完全连接的网络，256×256= 65,536个。

CNN的优点在于参数的数量与原始图像的大小无关。你可以在300×300图像上运行相同的CNN，但卷积层中的参数数量不会改变。

（不懂图像分类？这四种卷积神经网络模型了解一下！ - 知乎 (zhihu.com)）