读书报告

读书报告

卷积神经网络读书报告：

卷积神经网络（CNN）凭借出色的网格数据特征提取能力，已从图像领域拓展到多行业场景，核心应用集中在视觉感知相关任务，同时也延伸到自然语言、医学等交叉领域，覆盖日常消费、工业生产、医疗健康等多个维度。卷积神经网络与传统网络的区别在于卷积网络处理的数据大多数为三维，卷积神经网络的整体架构为输入层、卷积层、池化层、全连接层。卷积神经网络也是通过参数来选出特征值，

卷积首先把图像分成很多个小区域，对于每个小区域计算的方法是不一样的，且计算应该的特征值是等于多少的。

卷积神经网络是深度学习领域处理图像等网格数据的核心模型，其核心优势在于自动提取特征和参数共享，它的核心特点可概括为三点：局部感知模拟视觉机制、参数共享大幅降本提效、层级特征提取实现端到端学习，这三点共同使其成为处理图像等网格数据的最优模型之一。

基于卷积神经网络（CNN）的图像分割方法可按 “特征提取与恢复方式” 分为三大类：FCN 为代表的全卷积网络、U-Net 及变体的编码器 - 解码器结构、Transformer 结合 CNN 的混合模型。这些方法核心是解决 “卷积降维导致的空间信息丢失” 问题，实现像素级精准分类。