《中国人工智能学会通讯》——4.13 采用关联滤波器的卷积神经网络
4.13 采用关联滤波器的卷积神经网络 经典的卷积神经网络模型[1] （CNN）, 大体上是由若干个卷积神经层堆叠构成的深度多层次神经网络模型，由于其在图像识别[2] 、视频分类 [3]等计算机视觉领域中所展现的优异性能，CNN 的拓展应用及其优化研究越来越受到广泛关注。 和传统单隐藏层神经网络不同，卷积神经层中的神经元被有序地组织成一张张特征图。相应的，神经元间的关联权值则构成了滤波器（filter），因为卷积层中特征图与卷积核的矩阵卷积本质是对输入特征图进行空域滤波。这种处理能够提取蕴含在输入特征图中多种的视觉特征。单就输出特征图中的某一个神经元而言，它的输出值由线性滤波器与输入特征图中一个小邻域里的神经元进行内积得到。CNN 的这种神经元与神经元的局部连接，与猫视觉系统中神经细胞具有局部敏感性（localsensitive）的发现[4]相一致。 作为卷积神经层中唯一可以被训练的权值，滤波器在提取包括边缘、角点、端点等视觉特征时发挥主要作用。这些被感知到的局部特征在输出特征图中进一步组合生成更抽象的特征，继而被后续的卷积层进一步提取。在大部分情况下，CNN 都是使用随机梯度下降（s...
