无处不在,搜你所想

帖子来源：https://zhuanlan.zhihu.com/p/27908027

【1】导论

    首先最需要明确的一点就是，卷积神经网络，也就是convolutional neural networks （简称CNN），现在已经被用来应用于各个领域，物体分割啦，风格转换啦，自动上色啦blahblah，但是！！CNN真正能做的，只是起到一个特征提取器的作用！所以这些应用，都是建立在CNN对图像进行特征提取的基础上进行的。

    拿到一张图片，要对它进行识别，最简单的栗子是，这张图是什么？

    比如，我现在要训练一个最简单的CNN，用来识别一张图片里的字母是X还是O。

    人眼一看，很简单嘛，明显就是X啊，但是计算机不知道，它不明白什么是X。所以我们给这张图片加一个标签，也就是俗称的Label，Label=X，就告诉了计算机这张图代表的是X。它就记住了X的长相。

 但是并不是所有的X都长这样呀。比如说...

    这四个都是X，但它们和之前那张X明显不一样，计算机没见过它们，又都不认识了。

（这里可以扯出机器学习中听起来很高冷的名词 “ 欠拟合 ”）

    不认识了怎么办，当然是回忆看看是不是见过差不多的呀。这时候CNN要做的，就是如何提取内容为X的图片的特征。我们都知道，图片在计算机内部以像素值的方式被存储，也就是说两张X在计算机看来，其实是这样子的。

    其中1代表白色，-1代表黑色。

    如果按照每像素逐个比较肯定是不科学的，结果不对而且效率低下，因此提出其他匹配方法。我们称之为patch匹配。

    观察这两张X图，可以发现尽管像素值无法一一对应，但也存在着某些共同点。

    如上图所示，两张图中三个同色区域的结构完全一致！

    因此，我们就考虑，要将这两张图联系起来，无法进行全体像素对应，但是否能进行局部地匹配？

    答案当然是肯定的。

    相当于如果我要在一张照片中进行人脸定位，但是CNN不知道什么是人脸，我就告诉它：人脸上有三个特征，眼睛鼻子嘴巴是什么样，再告诉它这三个长啥样，只要CNN去搜索整张图，找到了这三个特征在的地方就定位到了人脸。

    同理，从标准的X图中我们提取出三个特征（feature）

    我们发现只要用这三个feature便可定位到X的某个局部。

    feature在CNN中也被成为卷积核（filter），一般是3X3，或者5X5的大小。