深度卷积神经网络：基础、若干改进及一些当前应用的综述
计算机视觉与模式识别
2020-11-30 v1 机器学习
摘要
在机器学习领域中存在多种不同的方法，各自具有相应的优势与应用场景。本文旨在介绍并讨论其中一种方法，即卷积神经网络（CNNs）。CNNs是一种使用称为卷积的特殊线性运算的深度神经网络。该运算是CNNs关键且具区分性的要素，因此将是本方法论文的重点。讨论从卷积与CNNs背后的理论基础开始。随后，讨论继续阐述可对该方法进行的若干改进与增强，以使其适应估计更广泛的函数类。本文主要研究两种改进方法：使用局部连接层，可使网络对平移的不变性减弱；以及平铺卷积，其允许学习比标准卷积更复杂的不变性。此外，使用快速傅里叶变换可提升卷积的计算效率。接着，本文讨论两种在实践中已被证明非常有效的卷积应用。首先，YOLO架构是一种用于图像目标分类的当前最优（SOTA）神经网络，可准确预测图像中目标周围的边界框。其次，使用CNNs进行乳腺X线摄影中的肿瘤检测，在仅低0.3%灵敏度的情况下，比真实医生高出7.2%的特异度。最后，在不同领域超越人类的技术发明也引发了某些伦理与监管问题，本文对此进行了简要讨论。
引用
@article{arxiv.2011.12960,
title = {Deep Convolutional Neural Networks: A survey of the foundations, selected improvements, and some current applications},
author = {Lars Lien Ankile and Morgan Feet Heggland and Kjartan Krange},
journal= {arXiv preprint arXiv:2011.12960},
year = {2020}
}
备注
10 pages, 8 figures