文档介绍：浅析卷积神经网络的图像特征提取技术
该论文来源于网络，本站转载的论文均是优质论文，供学习和研究使用，文中立场与本网站无关，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除已转载的信息，如果需要分享，请保留本段说明。
【摘 要】本文对卷积神经网络的图像特征提取技术进行了综述，探讨了它的原理和发展方向，对于它的存在问题给出了相关的建议。
【关键词】卷积神经网络;图像特征;特征提取
中图分类号： TP183; 文献标识码： A 文章编号： 2095-2457（2019）07-0083-002
DOI：.issn2095-
【Abstract】In this paper， the image feature extraction technology based on convolutional neural network is summarized， its principle and development direction are discussed， and some suggestions for its problems are given.
【Key words】Convolutional Neural Network; Image features; Feature extraction
0 前言
目前，对于流行全球的深度学习，一般来说有三种基本架构：DBN结构，SAE结构与卷积神经网络结构（CNN），分别活跃于大数据挖掘，数据分类和图像处理等领域。其中卷积神经网络结构（ CNN）由于在机器视觉方面的突出表现，使之成为图像处理的不二人选，本文介绍了CNN技术在图像特征提取中的应用。
1 卷积神经网络的原理及其经典的四种结构
卷积神经网络（CNN）是一种局部连接网络，相对于典型的BP全连接神经网络来说，具有局部连接性和权值共享性的的特点。这种神经网络不仅大量的减少了训练参数，还符合自然图像中越近的像素对旁边的像素影响越大的特点。卷积神经网络的权重共享构成卷积核，并且它与给定图像做卷积后就可以提取图像的某种特征。在图像处理的过程中，通过许多不同的卷积核参数的训练，就可以自动提取相同图像的不同图像特征。
目前，根据卷积神经网络的发展历程，共有四种经典结构用于图像特征提取：LeNet网络，AlexNet网络，VggNet网络，ResNet网络。
LeNet网络是在1994年由Yan LeCun提出，也就是第一代卷积神经网络。LeNet主要用来进行手写字符的识别与分类，准确率达到了98 ，已经在美国的银行中投入了使用，被用于读取北美约10 的支票。AlexNet网络由 Hinton的学生 Alex Krizhevsky于2012年提出，是 LeNet的一种更深更宽的版本，通过与其他各种图像识别算法的比较，确定了卷积神经网络在计算机视觉中的优势。VGGNet网络是由牛津大学计算机视觉组和Google DeepMind进一步开发的深度卷积神经网络[2]。ResNet（残差神经网络