Neural network 为什么我们需要CNN来进行目标检测？

我想问一个普遍的问题，即目前深度学习特别是卷积神经网络（CNN）已经应用于各个领域。有时没有必要使用CNN来解决这个问题，但研究人员正在使用CNN并遵循这一趋势

---

那么对于目标检测问题，是不是真的需要CNN来解决检测问题？

这是一个令人不快的问题。在标题中，你们问的是CNN，但你们问的是一般意义上的深度学习

因此，我们不需要深入学习对象识别。但训练有素的深层网络会得到更好的结果。像谷歌和其他公司都对每一个好的结果表示感谢

---

关于CNN，它们比“传统”的ANN得到更好的结果，并且由于权重共享，参数也更少。CNN还允许迁移学习（你们使用一个特征检测器——卷积和池层，然后在特征检测器上连接你们的完整连接层）。

这是一个令人不快的问题。在标题中，你们问的是CNN，但你们问的是一般意义上的深度学习

因此，我们不需要深入学习对象识别。但训练有素的深层网络会得到更好的结果。像谷歌和其他公司都对每一个好的结果表示感谢

---

关于CNN，它们比“传统”的ANN得到更好的结果，并且由于权重共享，参数也更少。CNN还允许转移学习（你使用一个特征检测器-卷积和池层，然后在特征检测器上连接你的全连接层）。

CNN的一个关键概念是平移不变性的概念。简而言之，在图像上使用卷积核允许机器学习特定特征（边缘或更详细的对象，取决于网络的分层）的一组权重，并将其应用于整个图像。 考虑在图像中检测猫。如果我们设计了一组权重，让学习者能够识别猫，那么无论猫在图像中的什么位置，我们都希望这些权重是相同的！因此，我们将在卷积核中“指定”一层来检测猫，然后在整个图像上卷积

---

无论CNN最近取得成功的原因是什么，应该注意的是，常规的全连接的ANN也应该表现良好。问题是，它们很快在较大的图像上变得不可行，而CNN由于参数共享而效率更高

CNN的一个关键概念是平移不变性。简而言之，在图像上使用卷积核允许机器学习特定特征（边缘或更详细的对象，取决于网络的分层）的一组权重，并将其应用于整个图像。 考虑在图像中检测猫。如果我们设计了一组权重，让学习者能够识别猫，那么无论猫在图像中的什么位置，我们都希望这些权重是相同的！因此，我们将在卷积核中“指定”一层来检测猫，然后在整个图像上卷积

---

无论CNN最近取得成功的原因是什么，应该注意的是，常规的全连接的ANN也应该表现良好。问题是，它们很快在较大的图像上变得不可行，而CNN由于参数共享而效率更高

是的，我修改了问题。但我想问的是，是否有任何标准可以用来解决特定的问题？当然，CNN的性能会更好，但如果你做物体检测和识别或语音识别，训练和记忆也需要很长时间。这些网络通常用于图像或声音的现场工作。标准，不。可能是建议。MLP可以执行相同的任务，但结果较差。当你的应用程序使用图像/声音时，你可以考虑使用美国有线电视新闻网。是的，我已经修改了这个问题。但我想问的是，是否有任何标准可以用来解决特定的问题？当然，CNN的性能会更好，但如果你做物体检测和识别或语音识别，训练和记忆也需要很长时间。这些网络通常用于图像或声音的现场工作。标准，不。可能是建议。MLP可以执行相同的任务，但结果较差。当你的应用程序使用图像/声音时，你可以考虑使用美国有线电视新闻网。