資源描述：
《卷積神經(jīng)網(wǎng)絡(luò)研究綜述.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、網(wǎng)絡(luò)出版時間：2017-01-2210:35:12網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/11.1826.TP.20170122.1035.002.html第40卷計算機(jī)學(xué)報Vol.402017年論文在線出版號No.7月CHINESEJOURNALOFCOMPUTERSOnlinePublishingNo.7卷積神經(jīng)網(wǎng)絡(luò)研究綜述1),2)1),2)1)周飛燕金林鵬董軍1)(中國科學(xué)院蘇州納米技術(shù)與納米仿生研究所,蘇州市216123)2)(中國科學(xué)院大學(xué),北京市100049)摘要作為一個十余年來快速發(fā)展的嶄新
2、領(lǐng)域，深度學(xué)習(xí)受到了越來越多研究者的關(guān)注，它在特征提取和模型擬合上都有著相較于淺層模型顯然的優(yōu)勢。深度學(xué)習(xí)善于從原始輸入數(shù)據(jù)中挖掘越來越抽象的分布式特征表示，而這些表示具有良好的泛化能力。它解決了過去人工智能中被認(rèn)為難以解決的一些問題。且隨著訓(xùn)練數(shù)據(jù)集數(shù)量的顯著增長以及芯片處理能力的劇增，它在目標(biāo)檢測和計算機(jī)視覺、自然語言處理、語音識別和語義分析等領(lǐng)域成效卓然，因此也促進(jìn)了人工智能的發(fā)展。深度學(xué)習(xí)是包含多級非線性變換的層級機(jī)器學(xué)習(xí)方法，深層神經(jīng)網(wǎng)絡(luò)是目前的主要形式，其神經(jīng)元間的連接模式受啟發(fā)于動物視覺皮層組織，而卷積神經(jīng)網(wǎng)絡(luò)則是其中一種經(jīng)典而廣
3、泛應(yīng)用的網(wǎng)絡(luò)結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)的局部連接、權(quán)值共享及池化操作等特性使之可以有效地降低網(wǎng)絡(luò)的復(fù)雜度，減少訓(xùn)練參數(shù)的數(shù)目，使模型對平移、扭曲、縮放具有一定程度的不變性，并具有強(qiáng)魯棒性和容錯能力，且也易于訓(xùn)練和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)?；谶@些優(yōu)越的特性，它在各種信號和信息處理任務(wù)中的性能優(yōu)于標(biāo)準(zhǔn)的全連接神經(jīng)網(wǎng)絡(luò)。本文首先概述了卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史，然后分別描述了神經(jīng)元模型、多層感知器的結(jié)構(gòu)。接著，詳細(xì)分析了卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，包括卷積層、取樣層、全連接層，它們發(fā)揮著不同的作用。然后，討論了網(wǎng)中網(wǎng)結(jié)構(gòu)、空間變換網(wǎng)絡(luò)等改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)。同時，還分別介紹了卷積神
4、經(jīng)網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)訓(xùn)練方法以及一些常用的開源工具。此外，本文以圖像分類、人臉識別、音頻檢索、心電圖分類及目標(biāo)檢測等為例，對卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用作了歸納。卷積神經(jīng)網(wǎng)絡(luò)與遞歸神經(jīng)網(wǎng)絡(luò)的集成是一個途徑。為了給讀者以盡可能多的借鑒，本文還設(shè)計并試驗了不同參數(shù)及不同深度的卷積神經(jīng)網(wǎng)絡(luò)以圖把握各參數(shù)間的相互關(guān)系及不同參數(shù)設(shè)置對結(jié)果的影響。最后，給出了卷積神經(jīng)網(wǎng)絡(luò)及其應(yīng)用中待解決的若干問題。關(guān)鍵詞卷積神經(jīng)網(wǎng)絡(luò)；深度學(xué)習(xí)；網(wǎng)絡(luò)結(jié)構(gòu)；訓(xùn)練方法；領(lǐng)域數(shù)據(jù)中圖法分類號TP81論文引用格式：周飛燕,金林鵬,董軍,卷積神經(jīng)網(wǎng)絡(luò)研究綜述,2017,Vol.40,在
5、線出版號No.7ZHOUFei-Yan,JINLin-Peng,DONGJun,ReviewofConvolutionalNeuralNetwork,2017,Vol.40,OnlinePublishingNo.7ReviewofConvolutionalNeuralNetwork1)2)1)2)1)ZHOUFei-YanJINLin-PengDONGJun1)(SuzhouInstituteofNano-techandNano-bionics,ChineseAcademyofSciences,Suzhou215123)2)(Universit
6、yofChineseAcademyofSciences,Beijing100049)AbstractAsanewandrapidlygrowingfieldformorethantenyears,deeplearninghasgainedmoreandmoreattentionsfromdifferentresearchers.Comparedwithshallowarchitectures,ithasgreatadvantageinbothfeatureextractingandmodelfitting.Anditisverygoodatdi
7、scoveringincreasinglyabstractdistributedfeaturerepresentationswhosegeneralizationabilityisstrongfromtherawinputdata.Italsohassuccessfullysolvedsomeproblemswhichwereconsidereddifficulttosolveinartificialintelligenceinthepast.Furthermore,with———————————————周飛燕，女，1986年生，博士研究生,主
8、要研究領(lǐng)域為計算機(jī)輔助心血管疾病診斷.E-mail:fyzhou2013@sinano.ac.cn.金林鵬，男，1984年生，博士,主要研究領(lǐng)域為機(jī)器
