HALCON高级篇:CNNs理论

卷积神经网络（CNNs）

随着机器视觉硬件已经变得越来越强，训练多隐含层的神经网络现在已经成为可能，其就是我们已知的深度学习。在深度学习领域的一个主要工具就是卷积神经网络（CNNs）。

CNNs具有特征不必人工去选择的优势，相反，滤波器值在整个训练过程中都将被调整。基本上，在训练中采用带标签的图像，CNN尽力去找能够合理的区分类的特征。这就意味着，当训练一个CNN的时候，不像一些其他的分类方法，它不必要为分类器去指定特征。但是，神经网络架构，例如层的顺序和数量，超参数等，必须被指定。因为这个任务是相当复杂的，CNNs目前仅仅在HALCON中用于OCR的分类，仅仅用预训练的字体普遍性。也就是说，至今训练你自己的基于CNN的OCR分类器还是不可能的。CNNs不能用于一般特征的分类或者图像的分割。下面，一些CNN理论的基本概念被描述。

CNNs是受人类和许多动物的视觉皮质的启发。当我们看特定方向的边缘时，一些在大脑中单独的神经细胞就会有反应。当暴露在垂直边缘，一些神经元将被激活；当展示了水平或者对角边缘的时候，一些神经元将被激活。类似的，卷积神经网络通过寻找底层特征，如边缘或者曲线类执行分类，然后建立起更抽象的概念。这些概念可能类似于文本，logo或者机器部件。这些特征在训练的过程中被自动的选择。图像被传入到一系列层中得到一个输出。在下文，一些常用类型的层将被介绍。特别是卷积，池化，ReLU和全连接层。

卷积层

第一层通常是一个卷积层。这里，一个滤波器沿着图像移动，如下图：

图1：一个3x3的滤波器在5x5大小的图像上移动，移动在左上角开始，结果是一个3x3的特征映射。

滤波器（或者内核）是一个数组（或者权重）。一个例子如图2。图像的原始像素值同滤波器的权重进行相乘，这些相乘值被相加求总和。由于这代表了一个卷积，故这个层的名字被叫为“卷积层”。

图2： 一个5x5的滤波器在一张16x16大小的图像上移动。滤波器被设计去寻找水平边。如果被滤波的5x5区域内包含一个水平边，那么所求和是一个大的数。如果这没有水平边，和将相对较小。

这个卷积在整张图像上被执行，结果被称为特征映射。在图2中，滤波的结果是一个数组（特征映射），其提供了在图像中哪里找到水平边的信息。在实际中，许多不同的滤波器被用来去决定图像的特征。结果，单个滤波器产生2维的激活映射，其然后沿着第三维被叠加，产生了3维的输出容量（见图4）。

池化层

池化是一个非线性下采样的形式，其减少了图像表现的空间尺寸，同时还有神经网络中参数的数量，进而也减少了过拟合的风险。一个常用的方法被称为“最大池化”（见图3）。它将输入图像划分为小矩形，然后返回每个矩形的最大值。

图3：“最大池化”划分一个4x4的输入图像未4个不重叠的矩形，并返回每一个矩形的最大值

矫正的线性单元（ReLU）层

一个CNNN必须能够去接近非线性函数，从而，它需要至少一个非线性层。ReLU层已经变成了一个常用的方法，因为它们能够被很快的计算出来。

全连接的层

在一个CNN中，最后一层通常是一个全连接层。这个层类似于MLP的一个隐含层，其获得先前层的输出，其代表了更高层特征的特征映射。然后，基于这些特征，类别被选定。例如，如果图像展示了一个狗（类：狗），这可能是代表更高层特征的特征映射，如爪子，鼻子或者毛。这些特征映射被自动创建。

基本配置

一个简单CNN分类器的架构看起来是这样的：

输入图像->卷积层->矫正的线性单元（ReLU）->卷积层->ReLU->池化层->ReLU->卷积层->ReLU->池化层->全连接层

图4：一个卷积神经网络的简化配置。一个卷积层通常紧跟一个池化层。在最后，一个全连接层被用来计算输出。另外，ReLU层通常在这些层之间，来增加神经网络的非线性属性。

每一层用前边层的输出（见图4）。第一层检测底层特征，如边缘或者曲线。接下来层的特征映射描述了更高层特征。在一个CNN最后的滤波器感知来自原始图像更大区域的信息。这样的话，它就能够预测一个对象的类别。

基于CNN的OCR分类器的优势在于其泛化能力。这样，当开发已给OCR应用时候，推荐首先尝试用预训练的基于CNN的OCR字体普遍性，并且在尝试其他任何OCR分类方法之前去评估结果。