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（ConvNet）基础

1.1 ConvNet 架构概述

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。输入层负责接收外部输入，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过滤器，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。可以用手电筒的类比来理解过滤器：在昏暗房间的地毯上找针，手电筒照亮的聚焦区域就是感受野。过滤器大小多样，如 3×3、5×5、7×7 等。卷积操作是将过滤器在输入图像上滑动，过滤器元素与感受野元素相乘，输出结果为特征图，作为下一层的输入。滑动操作的步长决定了过滤器每次移动的像素数，例如步长为 1 表示过滤器每次移动一个像素，步长为 2 则跳过两个像素。

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。池化操作类似于卷积操作，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方式。最大池化选择感受野中的最大值作为新像素值，平均池化则取感受野特征的平均值。例如，使用 2×2 过滤器和步长为 2 的最大池化和平均池化操作，能将卷积操作得到的特征数量缩减为特定的小特征。

1.4 输出/分类层

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

1.5 ConvNet 训练

训练 ConvNet 模型需要大量高质量的数据，训练数据集中的噪声可能会影响学习模型的性能。