CNN学习通过计算机视觉，使用MATLAB源代码。

简介：
计算机视觉领域中的卷积神经网络（CNN，也称为 ConvNet）是一种深度学习网络架构，其核心优势在于它能够直接从原始数据中获取知识，无需人工进行特征的预处理和提取。CNN 在识别图像中的各种模式——例如物品、人物和不同的场景——方面表现出色。此外，这类网络同样能够有效地对非图像数据类型进行分类，包括音频、时间序列以及各种信号数据。由于其在目标识别和计算机视觉应用中的强大能力，如自动驾驶汽车以及人脸识别系统等，CNN 得到了广泛的应用。卷积神经网络的典型结构通常包含以下几个关键层：首先，输入层负责数据的接收与输入；其次，卷积层则利用卷积核来提取图像中的特征并建立特征图；紧接着，激励层通过引入非线性映射来克服卷积运算的线性特性；随后是池化层，它通过下采样操作对特征图进行稀疏处理，从而有效地降低了数据运算量；最后，全连接层通常位于 CNN 的末端，用于对提取的特征信息进行重新调整和优化。CNN 的三个显著特点包括：首先是局部连接机制，即每个神经元仅与少量相邻神经元相连，从而显著减少了参数数量；其次是权值共享原则，即一组连接共享相同的权重参数而非独立权重参数，进一步降低了模型复杂度；第三个特点是下采样技术，通常采用 Pooling 层来减少每一层的样本数量。