CNN

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

Vision Transformer(ViT)于2020年出现,标志着Transformer进入计算机视觉领域

深度学习时代基于CNN和RNN的端到端模型（如CRNN架构）大幅提升了OCR识别能力，近年Transformer架构也被引入OCR领域

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

CNN的核心设计思想是局部感受野和权重共享，使其参数量远小于全连接网络且天然具备平移不变性

2020年Google提出的ViT（Vision Transformer）证明将图像切分为16×16小块后，Transformer在图像分类任务上可以达到甚至超越CNN的性能

宠物品种识别可使用卷积神经网络（CNN）模型如ResNet、EfficientNet实现

特征提取阶段模型通过卷积神经网络（CNN）或视觉Transformer（ViT）等架构将原始像素转化为抽象特征向量

CNN能从原始像素中自动提取层次化特征，Transformer能从原始文本序列中学习语义表示，大幅降低了对手工特征工程的依赖

ViT与卷积神经网络不同，从第一层起就能捕获图像中任意两个位置之间的关联

该研究使用卷积神经网络（CNN）作为分类器，测试集全部使用真实图像。

BrainAid系统采用CNN与视觉Transformer（ViT）混合架构，用于脑肿瘤四分类任务（胶质瘤、脑膜瘤、垂体瘤、无肿瘤）。

CNN依靠局部卷积核逐层堆叠，感受野有限，擅长捕捉边缘、纹理等局部特征；ViT更擅长刻画全局上下文与远距离依赖。

CNN及其后续变体（如ResNet、YOLO、U-Net）构成了现代计算机视觉的骨架。

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。

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。

Hugging Face发布BERT和基于CNN的模型后，自然语言分类能力进一步民主化；Transformers库、TensorFlow和PyTorch的开源让小型团队或个人凭借合适数据和中等水平微调知识就能快速获得不错的结果。

阿弗莱克指出CNN是Transformer的'前身'，区别在于Transformer能同时进行更多的计算。

把CNN称为Transformer的'前身'是一种通俗但不精确的说法，两者是不同时期主导视觉任务的架构范式，并非取代关系。