42、用于图像处理的神经网络计算

用于图像处理的神经网络计算

1. 引言

人工神经网络旨在模拟生物神经系统的处理能力。其基本思想是通过大量简单处理单元（可能并行工作）的相互连接，实现能够执行复杂处理任务的系统。它直接从数据中学习，以解决繁琐且棘手的问题。

人工神经网络通常由大量简单处理单元（即神经元）相互连接而成。它通过根据输入数据适当调整互连强度来学习解决问题，还能通过学习轻松适应新环境，同时可以处理噪声、不一致、模糊或概率性的信息。这些特点推动了人工神经网络的广泛研究和发展。

人工神经网络的主要特点是其大规模并行处理架构和从输入中学习的能力。它们仅通过适当调整连接权重（即使用给定数据进行训练）来执行特定任务。对于每种类型的人工神经网络，都有相应的学习算法，可通过迭代更新的方式训练网络。这些学习算法主要分为两类：监督学习和无监督学习。

1.1 监督学习

在监督学习中，不仅向网络提供输入数据，还提供相应的目标答案。学习是通过将网络的实际输出与已知的正确答案直接比较来完成的，也称为有教师学习。

1.2 无监督学习

在无监督学习中，仅向网络提供输入数据，而不提供相应的目标答案。实际上，学习目标并没有以具体的正确示例来定义，可用信息在于输入数据的相关性。网络期望从这些相关性中创建类别，并产生与输入类别相对应的输出信号。

神经网络已成功应用于解决各种计算机视觉问题。它们是相互连接的简单处理单元系统，有许多类型的神经网络可解决图像处理领域的广泛问题。神经网络的类型由处理单元之间的连接类型、连接链路的权重（突触）、处理单元的特性以及训练或学习规则决定。这些规则指定了初始权重集，并指示在学习过程中应如何修改权重以提高网络