用于计算机视觉的卷积神经网络

前言

随着计算机视觉的不断发展，深度学习这门技术也越来越重要，其中卷积神经网络（CNN）,是一种常见的深度学习架构，常用于图像识别，这项技术使得机器人可以自主对于特定目标进行识别，极大提升工作效率。

1. 计算机如何识别特定目标？

计算机的世界里只有0和1，所有的数据在电脑中都是以0和1组成的编码存储的，这样的编码叫做二进制。
那么它是如何对图像进行识别的呢？要解决这个问题，我们首先要了解大脑是如何识别物体的？图像进入我们的眼睛后，我们并不能直接认出这个物体，第一层大脑皮层看到的是“一些有规律的点”，再将这些点传至下一层大脑皮层，在这一层将有规律的点连接成线条，再将这些局部线条拼接起来传至下一层大脑皮层，就认出字母Z。如下图所示：

基于这个原理，卷积神经网络应运而生，帮助计算机实现图像识别。与大脑类似，卷积神经网络主要包括三个部分：卷积层、池化层和全连接层。

卷积层：卷积操作的目的是提取输入的不同特征。第一层卷积层可能只提取边缘、线、角等一些低级特征。网络的更多层可以从低级特征迭代。提取更复杂的特征。

池化层：用于减小图像数据量，提升识别效率。有多种不同形式的非线性池化函数，而其中最大池化（Max pooling）和平均采样是最为常见的

全连接层：和普通神经网络一样的连接方式，一般在最后几层，用来做最后的识别判断

卷积层
在如下图像上，有一个黄色X

我们将黄色的像素点设置为1，白色的像素点设置为0，要想识别出这个X，我们只需要识别出，一个右下的斜线和一个左下的斜线即可。如下图所示：

首先识别右下斜线，在此处我们使用一个33的卷积核，此卷积核也是一个右下斜线，然后我们用图像左上角33的区域，与这个卷积核相应的像素点相乘，再相加得到一个结果2，如下图所示：

放到另一个表中，依次做相应的计算，直到填满整个表，如下图：

同理，我们使用左下斜线的卷积核计算左下斜线的特征，得到下表：

基本上，表格的较大部分是原始图像右下角有对角线的部分。

池化层
由于图像的像素非常大，计算非常复杂，因此需要对图像进行压缩。池化的目的是这样的，我们只需要保持四个像素的最大值即可。依次进行计算，得到更小的图像，如下图所示：

压缩后的图像仍然保持原始特征，同样的方法用于计算左下斜线点的卷积核。现在得到的图像仍然无法被计算机识别，需要进入下一个阶段，全连接层。

全连接层
将上述得到的两个3*3的图像，展开成一维数组，并且拼接起来，对于人眼这个数组难以判别，但是对于计算机十分容易。因为在识别前要拿样本图像对计算机进行训练，训练后计算机就会对每个特定的图像，保存一个特征数组，然后计算机利用识别图像得到的数组，与训练后数组作对比，根据相似度，对物体进行识别。如下图所示：

严格来说，全连接层可以理解为一个函数，把展开后的数组扔进去，输出图片属于每个类的概率。

总结

卷积神经网络仿照大脑识别物体，经过不断卷积、池化、全连接，最后基于概率识别出目标。目前，CNN用于手写数字识别并一直保持了其在该问题的霸主地位。近年来卷积神经网络在多个方向持续发力，在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理甚至脑电波分析方面均有突破。