深度学习：应用于机器视觉领域的卷积神经网络(CNN)简介_6. 在深度学习中,哪种网络结构被设计用于模拟人脑中的神经连接?a. 卷积神经网

1 背景介绍

      深度学习是近几年的热门研究话题。深度学习受到神经学的启示，模拟人脑的认知与表达过程，通过低层信号到高层特征的函数映射，来建立学习数据内部隐含关系的逻辑层次模型。深度学习相比于一般的浅层模型的机器学习方法具有多隐层结构，对大数据具有更好的拟合性。
     传统的图像处理仅是单张或为数不多的数字图像的处理，而在今天信息爆炸的时代，对图像的处理更多地涉及到视频（图像流）的分析，每一副图像可能有数十万个像素点，而一段多帧视频若有成百上千幅图像构成，其数据量足以媲美其他工业的"大数据"。传统的图像物体分类与检测算法及策略难以满足图像视频大数据在处理效率、性能和智能化等方面所提出的要求 。深度学习通过模拟类似人脑的层次结构建立从低级信号到高层语义的映射，以实现数据的分级特征表达，具有强大的视觉信息处理能力，因而， 在机器视觉领域，深度学习的代表--卷积神经网络（Convolutional Neural Network, CNN）得以广泛应用。

2 CNN详解

      20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络(CNN) 。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。实质上，CNN就是通过模仿细胞视觉信息的处理过程而构建的多层Hubel-Wiesel结构 。 
      CNN和普通的神经网络具有许多相似之处，它们都是模仿人类神经的结构，由具有可学习的权重和偏置常数的神经元组成。每一个神经元可以接收输入信号，经过运算后输出每一个分类的分数。但是，CNN的输入一般是图像，卷积网络通过一系列方法，成功将数据量庞大的图像识别问题不断降维，最终使其能够被训练。CNN利用该特点，把神经元设计成具有三个维度：width, height, depth。

图 1 传统神经网络示意图

图 2 卷积神经网络（CNN）示意图

       那么，一个卷积神经网络由很多层组成，输入和输出均是三维的。有些层有参数，有些层则不需要参数。
       卷积神经网络通常包括以下几种"层"：
      卷积层（Convolutional layer），卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。
      线性整流层（Rectified Linear Units layer, ReLU layer），这一层神经的活性化函数（Activation function）使用线性整流（Rectified Linear Units, ReLU）f(x)=max(0,x)。
      池化层（Pooling layer），通常在卷积层之后会得到维度很大的特征，将特征切成几个区域，取其最大值或平均值，得到新的、维度较小的特征。
      全连接层（ Fully-Connected layer）, 把所有局部特征结合变成全局特征，用来计算最后每一类的得分。

2.1 卷积层

      卷积层的作用是通过对Hubel-Wiesel简单细胞的模拟检测其前驱层特征的局部连接。它是通过对输入图像进行多次卷积操作，提取出不同的特征图；然后把当前层的每个单元与前驱层的特征图局部块通过权值建立连接并进行局部加权和非线性变换。数学上，由特征映射