在深度学习领域卷积神经网络CNN是实现计算机视觉任务的基石。通过对这些基础理论的学习我们能够构建起从特征提取到复杂场景理解的知识体系。第一部分卷积神经网络基础1. 全连接网络面临的挑战传统的全连接神经网络在处理图像数据时往往面临着参数量过大、计算缓慢、容易过拟合以及难以收敛等问题。例如对于 $1000 \times 1000$ 的图像若隐含层有 100 万个节点参数量将达到 $10^{12}$ 量级。2. CNN 的核心思想为了解决上述问题CNN 引入了局部连接的思想模拟人类视觉系统的分层处理机制每一层在前一层提取特征的基础上进行再处理从而获取更高级别的抽象特征大幅减少了参数量。3. CNN 的关键组件卷积层 (Convolutional Layer)利用滤波器Filter对输入进行卷积操作有效提取图像的局部特征。池化层 (Pooling Layer)通过平均池化或最大池化降低特征维数同时保留关键统计特征。误差反向传播 (BP)在卷积神经网络中误差通过卷积层和池化层进行反向传导用于更新各层权重。4. 经典模型进化从最早的LeNet-5文档识别的经典到AlexNet引入 ReLU、Dropout 和双 GPU 训练策略再到VGG-16强调网络深度和ResNet通过残差块结构解决梯度消失问题模型结构不断演进以提升性能。第二部分深度学习视觉应用1. 常见视觉任务深度学习在视觉领域的主要任务包括图像分类 (Image Classification)判定图像中主要物体类别。目标检测 (Object Localization/Detection)不仅定位物体位置还需识别类别。语义分割 (Semantic Segmentation)对图像中每个像素进行类别标注。实例分割 (Instance Segmentation)在分割基础上区分同一类别的不同实例。2. 数据集概览高质量的数据集是模型训练的前提MNIST/Fashion-MNIST基础的手写数字或时尚物品数据集。CIFAR-10包含 10 类彩色物体的小型数据集。PASCAL VOC包含 20 类目标的经典目标检测与分割数据集。MS COCO当前视觉领域最重要的权威数据集涵盖 80 类复杂场景标注。ImageNet大规模分层图像数据库推动了深度学习竞赛的快速发展。3. 评价指标为了衡量模型表现通常采用精确率 (Precision) 与 召回率 (Recall)平衡模型“挑剔”程度与“通过”程度。平均精度 (AP) 与 mAP通过 P-R 曲线计算是衡量目标检测等任务综合表现的关键指标。
