计算机视觉面试题复习

CNN在图像上表现好的原因 相比于手工特征, CNN可以采用数据驱动的方式学习特征提取,能够提取到更好更丰富的特征。 深层网络可以拟合更复杂的计算,从而提取更复杂更抽象的特征。 相比于普通深度神经网络, 卷积核共享参数,充分利用图像上的空间局部性,因此具有参数共享和稀疏连接两条优点,不容易过拟合。 CNN中的池化层还使网络具有平移不变性的特性。 参数共享: 不同图像区域用的卷积核共享一个参数 稀疏连接: 只在卷积视野内连接,不在全图连接 理论上, 万能逼近定理: 只要激活函数选择得当,神经元个数足够多的,使用三层神经网络就可以实现对任何一个从输入向量到输出向量的连续映射函数的逼近 卷积神经网络