问：卷积神经网络
- 答：卷积神经网络（Convolutional work，CNN）是一种常用于图像处理、计算机视觉和自然语言处理等领域的深度学习模型。它通过卷积操作来提取输入数据中的特征，具有平移不变性、参数共享和稀疏连接等优点。
卷积神经网络主要由卷积层、池化层和全连接层等组成。其中，卷积层是卷积神经网络的核心部分，它通过滑动一个卷积核在输入数据上进行卷积操作，提取出数据的局部特征。池化层用于降低特征图的维度，减少计算量和内存消耗，一般采用最大池化或平均池化等方式。全连接层用于将卷积层和池化层提取的特征进行分类或回归等操作。
卷积神经网络的训练过程一般采用反向传播算法进行优化，通过对网络的参数进行迭代更新来使损失函薯早橘数最小化。在训练过程中，常用的优化算法包括随机梯度下降（SGD）、Adam、Adagrad等。
卷积神经网络已经在图像分类睁盯、物体检测、语义分割、人脸识别等领域取得了广泛的应用，并且在深度学习领域中成为了非常重数团要的模型之一。
问：卷积神经网络 有哪些改进的地方
- 答：卷积神经网络有以下几种应用可供研究：
1、基于卷积网络的形状识别
物体的形状是人的视觉系统分析和识别物体的基础，几何形状是物体的本质特征的表现，并具有平移、缩放和旋转不变等特点，所以在模式识别领域，对于形状的分析和识别具有十分重要的意义，而二维图像作为三维图像的特例以及组成部分，因此二维图像的识别是三维图肢培像识别的基础。
2、基于卷积网络的人脸检测
卷积神经网络与传统的人脸检测方法不同，它是通过直接作用于输入样本，用样本来训练网络并最终实现检测任务的。它是非参数型的人脸检测方法，可以省去传统方法中建模、参数估计以及参数检验、重建模型等的一系列复杂过程。本文针对图像中任意大小、位置、姿势、方向、肤色、面部表情和光照条件的人脸。
3、文字识别敏饥神系统
在经典的模式识别中桥亏，一般是事先提取特征。提取诸多特征后，要对这些特征进行相关性分析，找到最能代表字符的特征，去掉对分类无关和自相关的特征。然而，这些特征的提取太过依赖人的经验和主观意识，提取到的特征的不同对分类性能影响很大，甚至提取的特征的顺序也会影响最后的分类性能。同时，图像预处理的好坏也会影响到提取的特征。 - 答：卷积神经网络的研究的最新进展引发了人芦亩们完善立体匹配重建热芦庆情。从概念看，基于学习算法能够捕获全局的语义信息，比如基于高光和反射的先验条件，便于得到更加稳健的匹配。目前已经探求一些两视图立体匹配，用神经网络替换手工设计的相似性度量或正则化方法。这些方法展现出更好的结果，并且逐步超过立体匹配领域的传统方法。事实上，立体匹配任务完全适合使用CNN，因为图像对是已经过修正过的，因此立体匹配问题转化为水平方向上逐像素的视差估计。
与双目立体匹配不同的是，MVS的输入是任意数目的视图，这是深度学习方法需要解决的一个棘手的问题。而且只有很少的工作意识到该问题，比如事先重建彩色体素立方陪哗森体，将所有像素的颜色信息和相机参数构成一个3D代价体，所构成的3D代价体即为网络的输入。然而受限于3D代价体巨大的内存消耗，网络的规模很难增大：运用了一个启发式的“分而治之”的策略，对于大规模重建场景则需要花费很长的时间。
问：卷积神经网络
- 答：一般由卷积层，汇聚层，和全连接层交叉堆叠而成，使用反向传播算法进行训练（反向传播，再重新看一下）
卷积神经网络有三个结构上的特性：局部连接，权重共享以及子采样
滤波器filter 卷积核convolution kernel
局部连接，其实就是根据时间，权梁神重递减 最后为0 参数就传播不到远处了
局部连接 乘以 滤波器 得特征映射
互相关，是一个衡量两个序列相关性的函数，
互相关和卷积的区别仔圆在于 卷积核仅仅是否进行翻转，因此互相关也可以称为 不翻转卷积
使用卷积 是为了进行特征抽取，卷积核 是否橡戚亏进行翻转和其特征抽取的能力无关。
当卷积核是可以学习的参数，卷积和互相关是等价的，因此，其实两者差不多。
Tips：P是代表特征映射
