为什么我们需要CNN进行物体检测？

Question

我想问一个普遍的问题，现在深度学习特别是卷积神经网络（CNN）已被用于各个领域。有时没有必要使用CNN解决问题，但研究人员正在使用并遵循这一趋势。

因此对于物体检测问题，是否真的需要CNN来解决检测问题呢？

Answer 1

这是一个不愉快的问题。在标题中你会问CNN，但是你会问到一般的深度学习。

因此，我们不需要深入学习对象识别。但训练有素的深度网络可以获得更好谷歌等公司非常感谢每一个更好的结果。

关于美国有线电视新闻网（CNN），他们取得了比传统＆＃34;更好的结果。 ANN和由于权重共享而具有较少的参数。 CNN还允许传输学习（您可以使用特征检测器 - 卷积和池化层，而不是在功能检测器上连接完全连接的层）。

Answer 2

CNN的一个关键概念是平移不变性的概念。简而言之，在图像上使用卷积内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。 考虑检测图像中的猫。如果我们设计了一组允许学习者识别猫的权重，我们希望无论猫在图像中的哪个位置，这些权重都是相同的！所以我们会＆＃34;分配＆＃34;卷积内核中的一层用于检测猫，然后在整个图像上进行卷积。

无论CNN最近取得成功的原因是什么，应该注意的是，定期完全连接的ANN应该也能表现出色。问题在于它们在较大的图像上很快变得无法计算，而CNN的参数共享效率更高。