第2章 卷積神經網絡及應用介紹

當你第一次接觸“卷積神經網絡”這個術語時，你會覺得這應該是神經科學或生物學方面的東西。的確如此，卷積神經網絡（Convolutional Neural Network，CNN）是動物視覺研究成果的一個衍生物。

早在1906年，謝靈頓（Sherrington）首次使用“感受野”一詞用于描述在狗身上引起搔扒反射實驗中的皮膚區域。在1938年，Hartline將“感受野”一詞用于單個細胞（指青蛙視網膜細胞）中，此后，該詞逐漸擴展到聽覺、觸覺、視覺等多個領域中。在20世紀五六十年代，胡貝爾（Hubel）和威塞爾（Wiesel）通過研究貓和猴子的視覺感受野，提出視覺系統中某一層細胞的感受野是由視覺系統較低層的細胞輸入而成的，并且通過這種層級方式，可以組合小而簡單的感受野，形成大而復雜的感受野。同時，科學家提出大腦中有兩種基本的視覺細胞，即簡單細胞（Simple Cell）和復雜細胞（Complex Cell）。實驗表明，視覺皮層的網絡結構形式是：側膝體（LGB）→簡單細胞→復雜細胞→低階超復雜細胞→高階超復雜細胞。低階超復雜細胞與高階超復雜細胞之間的神經網絡結構類似于簡單細胞與復雜細胞之間的網絡結構。而且在這種層次結構中，處于較高階段的細胞通常更傾向于有選擇性地對刺激模式的更復雜特征做出反應，同時具有更大的接收場，并且對刺激模式位置的變化更不敏感。在該仿生系統中，假設在更高層中依然存在這種層次結構，處于最高階的細胞只對特定的刺激模式做出反應，而不受刺激的位置或大小所影響。這就是現代CNN中卷積層（Convolution Layer）+池化層（Pooling Layer）的最初范例及靈感來源。

在1980年，日本學者福島邦彥（Kunihiko Fukushima）提出了一種稱為“Neocognitron”的模式識別機制，并且它是最早被提出的深度學習算法之一，其隱含層由S層（Simple-layer）和C層（Complex-layer）交替構成。其中，S層單元在感受野內對圖像特征進行提取，C層單元接收和響應不同感受野返回的相同特征。S層-C層組合能夠進行特征提取和篩選，部分實現了卷積神經網絡中卷積層和池化層的功能，被認為是啟發了卷積神經網絡的開創性研究。

卷積神經網絡與傳統識別方法相比，具有識別速度快、分類準確度高、所需特征少、可以自訓練等優點，已被廣泛應用于計算機視覺、智能控制、模式識別和信號處理等領域，并在圖像目標識別、自然語言處理、語音信號識別等方面取得了極大的成功，已成為深度學習的代表算法之一，推動著人工智能的快速發展。