卷积神经网络（CNN）

卷积神经网络（CNN，Convolutional Neural Network）是一种专为图像识别和视频分析等视觉信息处理而设计的深度学习模型。 它受人类视觉皮层结构的启发而设计，擅长从图像中层次化地提取和识别局部特征（边缘、纹理、形状等）。 CNN的主要组成部分如下： - 卷积层（Convolutional Layer）：通过过滤器（卷积核）提取图像的局部模式，生成特征图 - 激活函数（ReLU等）：引入非线性性，提升表达能力 - 池化层（Pooling Layer）：对空间维度进行降采样，实现特征汇总和计算量压缩 - 全连接层（Fully Connected Layer）：利用提取的特征进行最终的分类或回归 这种结构使CNN实现了传统机器学习算法难以做到的“从图像中自动提取特征”，在医疗、制造、零售、安防等众多领域得到广泛应用。 典型应用场景： - 人脸识别和人员检测 - 目标检测和图像分类（在ImageNet等竞赛中实现高精度） - 自动驾驶中的道路和标识识别 - 医学影像的辅助诊断（肿瘤检测等） - 异常检测和外观检查自动化 CNN涌现出AlexNet、VGG、ResNet、EfficientNet等多种模型，根据任务和计算资源选用最优结构。 作为视觉领域AI的基础技术，CNN至今仍在持续演进。