海巡季刊第105期

5. chtseng ，〈初探卷積神經網路〉， 2017 年 9 月 12 日， https://chtseng.wordpress.com/2017/09/12/ 初探卷積 神經網路。 6. 知乎，〈數學 · CNN · 從 NN 到 CNN 〉 ， https://zhuanlan.zhihu.com/p/26657869 。 一、架構 輸入層、卷積層（ Convolutional layer ）、池化層（ Pooling layer ）、全連接層（ Fully connected layer ）及輸出層，如圖 6 。 二、概念 CNN 的概念與上一章介紹的神經網路（ Neural Network, NN ）基本的差異在於 NN 在處理資料時是 一次全連接的，所以 NN 是全局式的處理方式，而 CNN 則是利用參數共享的機制（ Filter ）提取特徵， 利用局部的訊息，拼湊出完整地特徵圖，所以相較 下 CNN 的網路，可以較少的參數，訓練出所需的模 型，與 NN 的比較圖如圖 7 。 圖 6 　卷積神經網路（ Convolutional Neural Network, CNN ）架構圖 5 圖 7 CNN 與 NN 概念示意圖 6 三、經典模型 （一） LeNet ：由深度學習大師 Yan LeCun 於 1994 年提出，為現代 CNN 的始祖，主要用來進 行手寫字元的識別與分類，準確率達到了 98% ，並在美國的銀行中投入使用。 （二） AlexNet ：於 2012 年由 Alex Krizhevsky 提 出，為當年 Imagenet 比賽冠軍。 AlexNet 是 LeNet 的更深層也更寬的版本，證明了卷積 神經網路在複雜模型下的有效性，也確立了 深度學習在計算機視覺中的地位。 （三） VggNet ：是牛津大學計算機視覺組和 Google DeepMind 公司共同研發的神經網路，取得 了 2014 年 Imagenet 比賽定位專案第一名和 分類專案第二名。該網路泛化效能很好， 易移植到其他的影象識別專案上，可以下 載 VGGNet 訓練好的引數進行很好的初始化 65 季刊 Coast Guard Administration Ocean Affairs Council 季刊│ No.105 Sep. 2020