待验证50% 置信事实精确时间
在图像分类中，CNN通常最后接一个全连接层输出类别概率；在目标检测中，网络在特征图上预测边界框偏移和类别；在图像分割中，常采用编码器-解码器结构把低分辨率语义特征上采样回原图尺寸实现像素级预测。
1
来源数
50%
置信度
长期有效
时效性
2026/10/13
首次发现
来源
涉及实体
相关事实
待验证CNN（卷积神经网络）是让图像分类、目标检测和图像分割三类任务落地的关键模型结构，其核心思想是用可学习的卷积核滑动提取局部特征，再层层堆叠组合成高层语义。76% 相似待验证在卷积神经网络（CNN）中，模式往往对应可视化的特征图，例如边缘检测器或纹理过滤器76% 相似待验证神经编码模型通常以在ImageNet等数据集上预训练的CNN或视觉Transformer作为特征提取骨干74% 相似待验证CNN的每一层可以被表示为具有明确几何尺寸的张量块，层与层之间的连接关系清晰可循，使其架构可视化直观72% 相似已验证卷积神经网络（CNN）受视觉皮层结构启发，通过卷积核在图像上滑动提取局部特征，参数共享机制大幅降低计算量72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1018387API
curl https://kongchang.com/api/v1/knowledge/claims/1018387MCP
get_claim(id=1018387)