一文理解图像分割网络之CNN的主要思想

一. 背景
传统图像的弊端：对于图像识别，传统识别算法需要进行复杂的特征提取和数据重建，并且，当物体发生位移变换，缩放以及其它形式扭曲不变性，则识别的效果较差。
全连接神经网络的弊端：
（1） 权值参数多，系统开销大。
（2）全连接网络每个神经元感受到的都是整幅图像，对平移，形变不具有不变性。只要对同一幅图像加入一些扰动，输出就会不同。
（3）全连接网络完全忽略了图像的局部结构，在不改变神经元的输出的前提下，输入数据可以是任意的顺序。
而深度卷积网络使得图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建的过程，在二维图像的处理过程中有很大的优势，如网络能够自行抽取图像的特征包括颜色、纹理、形状及图像的拓扑结构，在处理二维图像的问题上，特别是识别位移、缩放及其他形式扭曲不变性的应用上具有良好的鲁棒性和运算效率等。CNN网络通过局部连接和权值共享，使得网络易于优化，降低了模型的复杂度，即减少了过拟合的风险。
注：相对于全连接网络，CNN的局部连接和权值共享更符合我们对图像的认知。
局部连接：即局部区域图像的特征只与它的邻域像素值相关，而非与整个图像的像素值都有关联。
这样的连接，参数减少，所以降低了模型复杂度和过拟合的风险。
权值共享： 同一个卷积核的参数相同，这样做的目的是对平移和形变具有不变性，可以提取图像的拓扑结构，例如：某个卷积核是用来提取老鼠的尾巴，即尾巴位于图