卷积神经网络为什么适合图像处理？

卷积神经网络为什么适合图像处理？
卷积神经网络为什么适合图像处理？

神经网络的本质就在于做信息形式的变换,而要想做数据的处理,首要解决的问题就是如何将数据张量化,问题就在于ANN要处理的数据必须是向量形式,对于图像这种数据类型来说,如果将其展开成一维的向量,且不说得到向量的维数过高,网络太深导致网络中参数太多,图像中的空间信息也会丢失.

而CNN能够用卷积的方式从原信息中提取"部分特定的信息(信息跟卷积核相关)",且对于二维的图像来说是原生支持的(不需要处理),这就保留了图像中的空间信息,而空间信息是具有可平移性质的.

并且卷积神经网络的参数就只是卷积核的参数以及偏置(Bias),而卷积核的参数可以做到共享,卷积核也可以用多个,从多个角度对原图像解读.

这就是卷积神经网络的几个特点:局部感知,参数共享,多核,平移不变性

正是因为这些特点,在图像领域处理上,CNN取代了ANN
如有不对和需要改正的地方请联系：629664516@qq.com或13290607959
来源：https://www.csdn.net/tags/NtzaAg0sNjkzODAtYmxvZwO0O0OO0O0O.html

在讨论到这个问题，我们将神经网络简单区分为全连接神经网络和卷积神经网络。用全连接神经网络去做图像处理，则破坏了像素间的依赖性，将每一个像素都孤立的做一个输入，这会导致模型的参数超级多，是模型无法训练下去。
而卷积神经网络也不仅仅是有卷积层还包含池化层：
1、卷积层具有布局感知、参数共享、多角度特征提取的能力。
1.1 其局部感知保证的像素之间的空间依赖性
1.2 其参数共享使模型的参数量巨减，同时也在训练过程中的特征提取能力更为通用（泛化能力更强）
1.3 其多角度特征提取是指卷积层的多filter，每一个filter都有不同的kernel，使其提取的特征更为全面
2、池化层是卷积神经网络具备特征的平移不变性、旋转不变性，同时也提供了特征选择能力