卷積神經網路 – CNN 最擅長的就是圖片的處理。它受到人類視覺神經系統的啟發。

CNN 有2大特點：

能夠有效的將大資料量的圖片降維成小資料量

能夠有效的保留圖片特徵，符合圖片處理的原則

目前 CNN 已經得到了廣泛的應用，比如：人臉識別、自動駕駛、美圖秀秀、安防等很多領域。

CNN 解決了什麼問題？

在 CNN 出現之前，影象對於人工智慧來說是一個難題，有2個原因：

影象需要處理的資料量太大，導致成本很高，效率很低

影象在數字化的過程中很難保留原有的特徵，導致影象處理的準確率不高

下面就詳細說明一下這2個問題：

需要處理的資料量太大

影象是由畫素構成的，每個畫素又是由顏色構成的。

現在隨隨便便一張圖片都是 1000×1000 畫素以上的， 每個畫素都有RGB 3個引數來表示顏色資訊。

假如我們處理一張 1000×1000 畫素的圖片，我們就需要處理3百萬個引數！

1000×1000×3=3,000,000

這麼大量的資料處理起來是非常消耗資源的，而且這只是一張不算太大的圖片！

卷積神經網路 – CNN 解決的第一個問題就是「將複雜問題簡化」，把大量引數降維成少量引數，再做處理。

更重要的是：我們在大部分場景下，降維並不會影響結果。比如1000畫素的圖片縮小成200畫素，並不影響肉眼認出來圖片中是一隻貓還是一隻狗，機器也是如此。

保留影象特徵

圖片數字化的傳統方式我們簡化一下，就類似下圖的過程：

影象簡單數字化無法保留影象特徵

假如有圓形是1，沒有圓形是0，那麼圓形的位置不同就會產生完全不同的資料表達。但是從視覺的角度來看， 影象的內容（本質）並沒有發生變化，只是位置發生了變化 。

所以當我們移動影象中的物體，用傳統的方式的得出來的引數會差異很大！這是不符合影象處理的要求的。

而 CNN 解決了這個問題，他用類似視覺的方式保留了影象的特徵，當影象做翻轉，旋轉或者變換位置時，它也能有效的識別出來是類似的影象。

那麼卷積神經網路是如何實現的呢？在我們瞭解 CNN 原理之前，先來看看人類的視覺原理是什麼？

人類的視覺原理

深度學習的許多研究成果，離不開對大腦認知原理的研究，尤其是視覺原理的研究。

1981 年的諾貝爾醫學獎，頒發給了 David Hubel（出生於加拿大的美國神經生物學家） 和TorstenWiesel，以及 Roger Sperry。前兩位的主要貢獻，是“ 發現了視覺系統的資訊處理 ”，可視皮層是分級的。

人類的視覺原理如下：從原始訊號攝入開始（瞳孔攝入畫素 Pixels），接著做初步處理（大腦皮層某些細胞發現邊緣和方向），然後抽象（大腦判定，眼前的物體的形狀，是圓形的），然後進一步抽象（大腦進一步判定該物體是隻氣球）。下面是人腦進行人臉識別的一個示例：

人類視覺原理1

對於不同的物體，人類視覺也是通過這樣逐層分級，來進行認知的：

人類視覺原理2

我們可以看到，在最底層特徵基本上是類似的，就是各種邊緣，越往上，越能提取出此類物體的一些特徵（輪子、眼睛、軀幹等），到最上層，不同的高階特徵最終組合成相應的影象，從而能夠讓人類準確的區分不同的物體。

那麼我們可以很自然的想到：可以不可以模仿人類大腦的這個特點，構造多層的神經網路，較低層的識別初級的影象特徵，若干底層特徵組成更上一層特徵，最終通過多個層級的組合，最終在頂層做出分類呢？

答案是肯定的，這也是許多深度學習演算法（包括CNN）的靈感來源。

卷積神經網路-CNN 的基本原理

典型的 CNN 由3個部分構成：

卷積層

池化層

全連線層

如果簡單來描述的話：

卷積層負責提取影象中的區域性特徵；池化層用來大幅降低引數量級(降維)；全連線層類似傳統神經網路的部分，用來輸出想要的結果。

典型的 CNN 由3個部分構成

下面的原理解釋為了通俗易懂，忽略了很多技術細節，如果大家對詳細的原理感興趣，可以看這個視訊《卷積神經網路基礎》。

卷積——提取特徵

卷積層的運算過程如下圖，用一個卷積核掃完整張圖片：

卷積層運算過程

這個過程我們可以理解為我們使用一個過濾器（卷積核）來過濾影象的各個小區域，從而得到這些小區域的特徵值。

在具體應用中，往往有多個卷積核，可以認為，每個卷積核代表了一種影象模式，如果某個影象塊與此卷積核卷積出的值大，則認為此影象塊十分接近於此卷積核。如果我們設計了6個卷積核，可以理解：我們認為這個影象上有6種底層紋理模式，也就是我們用6中基礎模式就能描繪出一副影象。以下就是25種不同的卷積核的示例：

25種不同的卷積核

總結：卷積層的通過卷積核的過濾提取出圖片中區域性的特徵，跟上面提到的人類視覺的特徵提取類似。

池化層（下采樣）——資料降維，避免過擬合

池化層簡單說就是下采樣，他可以大大降低資料的維度。其過程如下：

池化層過程

上圖中，我們可以看到，原始圖片是20×20的，我們對其進行下采樣，取樣視窗為10×10，最終將其下采樣成為一個2×2大小的特徵圖。

之所以這麼做的原因，是因為即使做完了卷積，影象仍然很大（因為卷積核比較小），所以為了降低資料維度，就進行下采樣。

總結：池化層相比卷積層可以更有效的降低資料維度，這麼做不但可以大大減少運算量，還可以有效的避免過擬合。

全連線層——輸出結果

這個部分就是最後一步了，經過卷積層和池化層處理過的資料輸入到全連線層，得到最終想要的結果。

經過卷積層和池化層降維過的資料，全連線層才能”跑得動”，不然資料量太大，計算成本高，效率低下。

全連線層

典型的 CNN 並非只是上面提到的3層結構，而是多層結構，例如 LeNet-5 的結構就如下圖所示：

卷積層 – 池化層- 卷積層 – 池化層 – 卷積層 – 全連線層

在瞭解了 CNN 的基本原理後，我們重點說一下 CNN 的實際應用有哪些。

CNN 有哪些實際應用？

卷積神經網路 – CNN 很擅長處理影象。而視訊是影象的疊加，所以同樣擅長處理視訊內容。下面給大家列一些比較成熟的應用：

影象分類、檢索

影象分類是比較基礎的應用，他可以節省大量的人工成本，將影象進行有效的分類。對於一些特定領域的圖片，分類的準確率可以達到 95%+，已經算是一個可用性很高的應用了。

典型場景：影象搜尋…

CNN應用-影象分類、檢索

目標定位檢測

可以在影象中定位目標，並確定目標的位置及大小。

典型場景：自動駕駛、安防、醫療…

CNN應用-目標定位檢測

目標分割

簡單理解就是一個畫素級的分類。

他可以對前景和背景進行畫素級的區分、再高階一點還可以識別出目標並且對目標進行分類。

典型場景：美圖秀秀、視訊後期加工、影象生成…

CNN應用-目標分割

人臉識別

人臉識別已經是一個非常普及的應用了，在很多領域都有廣泛的應用。

典型場景：安防、金融、生活…

CNN應用-人臉識別

骨骼識別

骨骼識別是可以識別身體的關鍵骨骼，以及追蹤骨骼的動作。

典型場景：安防、電影、影象視訊生成、遊戲…

CNN應用-骨骼識別

總結

今天我們介紹了 CNN 的價值、基本原理和應用場景，簡單總結如下：

CNN 的價值：

能夠將大資料量的圖片有效的降維成小資料量(並不影響結果)

能夠保留圖片的特徵，類似人類的視覺原理

CNN 的基本原理：

卷積層 – 主要作用是保留圖片的特徵

池化層 – 主要作用是把資料降維，可以有效的避免過擬合

全連線層 – 根據不同任務輸出我們想要的結果

CNN 的實際應用：

圖片分類、檢索

目標定位檢測

目標分割

人臉識別

骨骼識別

---

本文首發在 easyAI - 人工智慧知識庫

《一文看懂卷積神經網路-CNN（基本原理+獨特價值+實際應用）》