专项话题►回忆AI时代-从图灵机到人工智能

CNN让计算机"看见"世界


📚 文章 ( 📝 字数： 1.5k ⏱ 阅读时间： 5 分钟 )

系列文章见: 《回忆AI时代-从图灵机到人工智能》

文章目录

什么是CNN

CNN（Convolutional Neural Network，卷积神经网络）是一种专门用于处理图像数据的深度学习模型，它最大的特点是能够自动从图像中学习特征，而无需人工设计图像的特征。

譬如下图是一张猫的图片，人类几乎一眼就能判断这是一只猫但对于计算机来说，它看到的并不是猫，而是一大堆数字。因为图片实际上是由大量像素组成，每个像素都对应着 RGB（三原色）数值，计算机需要从这些数字中发现规律，最终判断图片中是否存在一只猫。

猫

为什么是CNN

前文介绍过神经网络，为什么CNN比普通的神经网络更适合处理图像呢？譬如有一张100 × 100的灰度图片，共包含100 × 100 = 10000个像素。如果直接将这10000个像素，全部输入到普通的全连接神经网络中，那么每一个神经元都需要与所有输入相连接，当网络层数增加时，参数数量很容易达到数千万甚至更多，不仅训练速度慢、内存开销大，而且非常容易出现过拟合的现象。

CNN则采用了完全不同的思路。它认为没有必要一开始就观察整张图片，而是像人观察事物一样，先看局部，再逐渐组合成整体。
CNN会利用卷积操作，在图片上用一个较小的窗口（卷积核）不断滑动，每次只关注图片中的一小块区域，例如边缘、纹理、颜色变化等局部特征。随着网络不断加深，这些简单特征会逐渐组合成更加复杂的特征，最终识别出眼睛、耳朵、鼻子，甚至整只猫。

CNN的出现，使计算机第一次能够自动学习图像特征，摆脱了传统计算机视觉中依赖人工设计特征（Feature Engineering）的方法，极大地提升了图像识别的准确率。

CNN的发展过程

第一阶段（1962年）,David Hubel（大卫·休伯尔）和Torsten Wiesel（托斯坦·威泽尔），他们研究猫的大脑视觉皮层时发现，猫的大脑并不是一次性识别整个图像，而是由许多神经元分别负责检测不同的特征，例如：

  • 横线
  • 竖线
  • 边缘
  • 方向
  • 运动

这些研究后来获得了1981年的诺贝尔生理学或医学奖，也成为CNN的重要生物学启发。

第二阶段（1980年），Kunihiko Fukushima（福岛邦彦，日本科学家）他提出了Neocognitron（新认知机），首次引入了许多今天CNN的核心思想。它首次引入了许多今天 CNN 的核心思想：

  • 局部感受野（Local Receptive Field）
  • 分层提取特征
  • 卷积思想
  • 池化（类似现代 Pooling）
  • 从低级特征逐步组合成高级特征

不过，它还不能用现代的反向传播算法进行高效训练，因此影响力有限。可以认为Neocognitron是CNN的祖先。

第三阶段（1989-1998年），1989年Yann LeCun（法国裔美国计算机科学家、人工智能研究员，也是现代深度学习领域最具影响力的人物之一）开始把卷积、反向传播、梯度下降结合起来训练纯CNN,并发表了LeNet-5,而LeNet能识别手写数字、邮政编码和银行支票数字，这是世界上第一个真正投入实际应用的CNN。

第四阶段（2012年），Geoffrey Hinton和他的学生们发表了AlexNet,在著名的《ImageNet Large Scale Visual Recognition Challenge 2012》全球图像识别竞赛中，AlexNet将图像分类错误率大幅降低，远远超过当时其他方法，震惊了整个AI界。这一突破成为深度学习发展的重要里程碑，也开启了计算机视觉高速发展的新时代。

ImageNet
年份 模型 错误率
2010 传统CV方法 28.2%
2011 传统CV方法 25.8%
2012 AlexNet 16.4%
2013 ZFNet 11.7%
2014 VGG 7.3%
2014 GoogLeNet 6.7%
2015 ResNet 3.6%
2016 ResNeXt等 3.0%
2017 SENet 2.3%
Human 人类 5.1%

CNN是如何工作的

CNN识别图片共分为五步：

  • 1.输入图片（Input）
  • 2.特征提取（Feature Extraction）
  • 3.重复提取特征
  • 4.特征整合（Classification）
  • 5.输出结果（Output）

1.输入图片（Input）
CNN接收一张图片作为输入。对于计算机来说图片本质上是一组数字。例如，一张100 × 100的彩色图片，会被表示为100 × 100 × 3个RGB数值。

2.特征提取
CNN首先利用卷积层（Convolution）在图片上不断滑动，提取局部特征，例如：

  • 边缘
  • 纹理
  • 颜色变化
  • 简单形状

随后，ReLU激活函数增强模型的表达能力，Pooling（池化）层则压缩数据规模，同时保留最重要的特征。这一步核心在做从图片中找出有价值的信息，过滤掉不重要的信息。

3.重复提取特征
CNN 通常不会只有一层卷积，而是由多层卷积组成。随着网络不断加深，提取到的特征也越来越复杂。

1
2
3
4
5
6
7
8
9
第一层：边缘、线条
        ↓
第二层：纹理、角点
        ↓
第三层：眼睛、耳朵、鼻子
        ↓
第四层：猫脸
        ↓
最后：整只猫

4.特征整合（Classification）
经过多层特征提取后，CNN已经获得了图片的大量高级特征。这些特征会送入全连接层（Fully Connected Layer），综合分析各种特征之间的关系，并计算图片属于各个类别的可能性。

5.输出结果（Output）
最后，通过Softmax函数将计算结果转换为概率。例如：

1
2
3
猫     98%
狗      1%
兔子    1%

概率最高的类别就是CNN的最终识别结果。