22、利用机器学习进行烧伤判别

利用机器学习进行烧伤判别

1. 卷积神经网络基础

1.1 卷积神经网络架构概述

卷积神经网络（ConvNet）模型通常由输入层、卷积层、池化层和输出层（或全连接层）组成，但各层的布局可能有所不同。输入层负责接收外界输入，但它不算作ConvNet模型的正式层。

1.2 卷积层

卷积层是神经网络中最关键的部分，是CNN架构的学习层。它由众多神经元组成滤波器，对输入（通常是图像）的每个部分进行卷积操作，学习每个像素值。

可以用手电筒来类比理解滤波器。假设在一个昏暗的房间里找掉落的针，用手电筒照亮搜索区域，手电筒照亮的聚焦区域就是感受野。滤波器大小可以有多种，如3×3、5×5、7×7等，具体取决于开发者定义的架构。

卷积操作是将滤波器在输入图像上滑动，在滤波器覆盖的每个感受野上，将滤波器的元素与感受野的元素相乘，得到的输出称为特征图，作为网络下一层的输入。滤波器每次移动的像素数称为步长，例如步长为1表示滤波器每次移动一个像素，步长为2表示跳过两个像素移动。

1.3 池化层

池化层用于减少卷积层输出的特征数量，以降低计算成本并提高效率。池化操作与卷积操作类似，对卷积层提取的特征进行处理，有最大池化和平均池化两种操作。

最大池化是选择感受野中的最大值作为压缩特征图中的新像素值；平均池化是计算感受野中特征的平均值，作为新特征图子区域的新特征。例如，使用2×2滤波器和步长为2的最大池化和平均池化操作。

1.4 输出/分类层

ConvNet模型的最后一层是输出层，它输出关于每个实例所属类别的信息，本质上是一个分类层。