卷积神经网络（CNN）

简而言之：卷积神经网络（CNN）是一种用于图像的深度学习模型。它使用卷积层自动检测视觉模式。

卷积神经网络（CNN）是一种用于图像等网格状数据的神经网络。它会应用在输入上滑动的小型滤波器。每个滤波器都会学习检测一个特征，例如边缘、纹理或形状。堆叠的层会从简单模式逐步构建到复杂对象。CNN 是一种核心深度学习架构。它们支撑着大多数现代计算机视觉系统。

CNN 的工作原理

1. 卷积层：滤波器扫描图像并生成特征图。每张特征图都会突出显示某种模式出现的位置。
2. 激活（ReLU）：非线性函数让网络能够学习复杂关系。
3. 池化层：下采样会缩小特征图。这可以减少计算量，并增强对位置变化的容忍度。
4. 全连接层：展平后的特征会组合成最终决策。
5. 输出层：网络会生成类别概率或检测到的对象。

为什么 CNN 优于传统方法

旧式视觉系统需要手工设计特征。工程师需要手动编写边缘和角点检测器。CNN 会直接从数据中学习这些特征。这减少了大部分手动特征工程。更多数据和更深的网络会持续提升准确率。这就是 CNN 取代经典计算机视觉流程的原因。

CNN 的用途

1. 图像分类：为整张图像标注一个类别。
2. 对象检测：在场景中定位多个对象并用框标出。
3. 语义分割：对每个像素进行分类。请参阅语义分割。
4. 人脸识别：识别或验证人脸。
5. 医学影像：在扫描图像中检测肿瘤和异常。
6. 3D 感知：处理用于自动驾驶的 LiDAR 点云。

CNN 与 RNN

CNN 和循环神经网络（RNN）解决的是不同问题。CNN 处理图像等空间数据。RNN 处理文本和时间序列等序列数据。许多系统会将两者结合使用：CNN 读取每个视频帧，RNN 对序列进行建模。

使用合适的数据训练 CNN

CNN 需要大量带标签的图像数据集才能达到高准确率。高质量的数据标注决定了它们的学习效果。迁移学习会复用预训练 CNN，以减少数据需求。Bright Data 的 网页抓取工具可大规模收集真实世界图像。其数据集可为视觉模型提供可直接使用的训练数据。