卷积神经网络

2015年Gatys等人提出神经风格迁移，通过卷积神经网络的Gram矩阵来匹配内容图与风格图的特征分布

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

农业场景下的图像识别主要基于深度学习中的卷积神经网络（CNN）及其变体，如ResNet、EfficientNet、Vision Transformer等模型架构

2015年德国图宾根大学的Leon Gatys等人发表论文《A Neural Algorithm of Artistic Style》，首次证明卷积神经网络能够分离并重组图像的内容与风格

AI 鸟类识别通常依赖卷积神经网络（CNN）或视觉 Transformer 模型，在设备端或云端对摄像头图像帧进行推理，输出鸟种分类及置信度。

该研究基于简化的教师-学生模型，其解析结果为理解CNN的归纳偏置提供了可验证的假设。

在教师-学生模型中，当输入位置间无相关性（c=0）时，卷积学生和局部连接学生遵循相同的学习轨迹，但卷积学生的学习速度恰好是局部连接学生的P倍（P为输入位置数）。

空间相关性会降低权重共享的优势：卷积学生的渐近误差随输入空间相关性c增大而上升，而局部连接学生的渐近误差与c无关，且在相同学习率下整体更低。

SETAREH在APPA-REAL数据集上使用卷积神经网络进行表观年龄估计，实验表明能用远少于原始向量维度的变换系数-输入对来近似内积，且误差保持在可接受范围内。

基于卷积神经网络的图像分类方法已开始进入蚊媒监测领域，其基本思路是让模型学习大量标注样本中不同蚊种的视觉特征分布，从而在推理阶段对新样本进行自动分类。

随着普通 RGB 摄像头与机器学习模型（如基于卷积神经网络的面部关键点检测）的成熟，仅凭笔记本自带摄像头即可实现可用的视线方向估计。

卷积神经网络（CNN）的关键突破在于将卷积核中的数值作为可学习参数，通过反向传播和大量数据自动优化，从而学到人类难以手工设计的特征提取器。

视觉特效工作流很多年来一直包含机器学习技术，在生成式AI成为热词之前，卷积神经网络早已在影视后期中运转。

当前主流深度学习架构（包括Transformer、卷积神经网络）继承了信息处理范式的核心假设：信息可编码为数值向量、层级化变换、在明确位置读写

LeCun 在贝尔实验室开创了卷积神经网络（CNN），奠定了计算机视觉的基础

图像审核层面使用卷积神经网络（CNN）检测裸露、暴力或版权敏感素材

深度学习方法（如卷积神经网络处理光变曲线原始时序）在部分论文中准确率可达到96%以上

训练识别乐高积木的CNN需要海量标注图像，业界类似项目通常用3D建模软件批量渲染每种积木在不同角度和光照下的图像来生成合成训练集

2019年医学AI的典型做法是针对具体任务收集专门标注数据集并训练卷积神经网络（CNN），该模型只能完成一件事

放射科AI主要依赖卷积神经网络技术，使用ResNet、U-Net等架构进行医学影像识别