深度卷积神经网络（Deep Convolution Neural Network，DCNN）也被称为卷积神经网络（Convolutional Neural Network，CNN），是一种由若干卷积层和子采样层交替叠加形成的一种深层网络结构。其出现受生物界“感受野”概念的启发，采用逐层抽象、逐次迭代的工作方式。目前，DCNN已在图像分类、语音识别等领域取得了成功应用。[4]
（一）生物视觉认知机理及感受野
1962年，美国生物学家休布尔（Hubel）和威塞尔（Wiesel）在对猫的视觉皮层研究时提出了“感受野（receptive field）”的概念。神经元的感受野是指视网膜上的一个区域，当视觉通路上的某个神经元被激活时，视网膜上所有与激活该神经元有关的感光细胞就构成了该神经元的感受野。并且，感受野具有一定的层次结构。
根据神经生理学的研究，人类眼球中的感光系统由视网膜上的感光细胞及其功能所构成，其作用是将投影到视网膜上的光信号转换成神经信号。视网膜的结构可分为三层，从后向前，依此是后部的感光细胞层、中间的双极细胞层和前端的节细胞层。其中，节细胞层和双极细胞层为透明状结构，光线可以正常穿过；感光细胞层在视网膜的背侧，离光源最远，它接收穿过节细胞层和双极细胞层的光信号，是视网膜的接收层。
视觉认知机制由视网膜的感光机制、视神经的传导机制和大脑皮层的中枢机制三部分组成，其认知过程如图8－6所示。在视觉认知机制中，感光机制如上所述；传导机制是视神经将左右眼视觉信息在视交叉处进行交叉后先传到丘脑的外侧膝状体，外侧膝状体对不同类型视觉信息进行初步加工后，再传递到大脑皮层的视区；中枢机制在大脑皮层中完成，传递到视区的视觉信息，经视区处理后，传到与视区近邻的视觉联合区并进一步加工，最后才得到对物体的完整认识。
从以上分析可以看出，感光锥细胞（约600万个）和棒细胞（约1.2亿个）的数量远大于神经节细胞（约100万个）的数量，而每个锥细胞、棒细胞接收到的感光信息都需要传递到大脑皮层进行处理，这样当锥体细胞和棒体细胞通过双极细胞与节细胞连接时，就会出现许多感光细胞被聚合在一个或几个节细胞上的情况。同样，在视觉信息传递和加工过程中，还会出现有多个神经元被聚合到一个神经元的情况。
这种现象体现了生物视觉认知机制中的两个特性：一是视觉信息加工的逐层抽象、逐次迭代特性；二是感受野的大小随神经元层级变化的特性。尤其是对感受野，神经元的层级越高，其感受野越大，反之越小。
基于感受野的神经认知机的概念就是受感受野概念和视觉认知机理的启发而产生的。神经认知机可被看成卷积神经网络的第一个雏形，将一个视觉模式分解为多个子模式，然后进入由低到高的逐层交替处理方式，并且每一层的输入与前一层的感受野相连，高层神经元的感受野高于低层神经元的感受野。
图8-6 视觉认知机制
（二）深度卷积神经网络的基本结构(www.xing528.com)
深度卷积神经网络的基本结构通常由三部分组成：第一部分为输入层，第二部分由多个卷积层和池化层交替组合而构成，第三部分由一个全连接层和输出层所构成，如图8－7所示。
图8-7 深度卷积神经网络的基本结构
（1）卷积层
卷积层（Convolution Layers）的作用是进行特征提取。其基本思想是：自然图像有其固有特征，从图像某一部分学到的特征同样能够用到另一部分上。或者说，从一个大图像中随机选取其中的一小块图像作为样本块，那么从该样本块学到的特征同样可以应用到这个大图像的任意位置。
卷积运算过程可简单理解为，利用所选择样本块的特征，从图像的左上角移动到右下角，每移动一步，都将该样本块的特征与其所在位置的子图像做卷积运算，最终得到卷积后的图像。
（2）池化层
池化层（Pooling Layer），也称为下采样层，其作用是为了减小参数规模，降低计算复杂度。池化层的思想比较简单，就是要把卷积层中每个尺寸为k×k的池化空间的特征聚合到一起，形成池化层对应特征图中的一个像素点。池化方法常用的有最大池化法、平均池化法等。
（3）全连接层和输出层
全连接层的作用是实现图像分类，即计算图像的类别，完成对图像的识别。输出层的作用是当图像识别完成后，将识别结果输出。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
