一：为什么DNN不适合图像处理

（1）图像的空间信息被丢失（不具备空间不变性）

图像数据本身就有十分丰富的结构，但无奈的是DNN输入的是向量，并不能考虑到图像的结构信息，比如两张相互镜像的图像，他们本质并无区别，但其输入向量却有很大差距。所以DNN不具备空间不变形，具体来说它体现在

• 平移不变性（translation invariance）：不管检测对象出现在图像中的哪个位置，神经网络的前面几层应该对相同的图像区域具有相似的反应，即为“平移不变性”

  • 如下图，全连接层需要检测图像中物体各种可能的平移，所以会涉及太大参数，而且由于不具有这种性质，所以在给出一种新的位置时很难进行泛化
    

• 局部性（locality）：神经网络的前面几层应该只探索输⼊图像中的局部区域，而不过度在意图像中相隔较远区域的关系，这就是“局部性”原则。最终，可以聚合这些局部特征，以在整个图像级别进行预测

（2）参数爆炸

例如有一张32×32的RGB图片，如果使用全连接层，那么一张图片就会有32×32×3=3072个特征，使用下面的由全连接层和激活函数所组成的网络作为模型

但是我们可以看到，最后的参数数目竟然有370万个，如果这个图片大小为1024×1024的话，那么就会有将近30亿个参数，这是很恐怖的，而且这只是参数，更不用说计算和存储梯度了

参数太多会导致难以训练，效率态度，并且也会很快发生过拟合，使泛化能力降低

二：什么是卷积神经网络

卷积神经网络CNN：CNN是一种以卷积层为主的深度神经网络

层次结构	作用
输入层	CNN的原始输入，可以是原始或预处理后的像素矩阵
卷积层	参数共享、局部连接、利用平移不变性从全局特征图中提取局部特征
激活层	将卷积层的输出结构进行非线性映射
池化层	进一步筛选特征，可以有效减少后续网络层次所需要的参数数量
全连接层	将多维特征展开成二维特征，此时通常会对应类别或回归值

三：CNN应用

图像分类和检索：图像分类是比较基础的应用，他可以节省大量的人工成本，将图像进行有效的分类。对于一些特定领域的图片，分类的准确率可以达到 95%+

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LOgwzddM-1675127704329)(image/第四章第二节：什么是卷积神经网络/image-20230131091336600.png)]

目标检测：可以在图像中定位目标，并确定目标的位置及大小

图像分割：可以对前景和背景进行像素级的区分、再高级一点还可以识别出目标并且对目标进行分类，例如抠图

图像描述