什么是卷積神經(jīng)網(wǎng)絡？監(jiān)控系統(tǒng)安裝公司表示卷積神經(jīng)網(wǎng)絡（CNN）是人工神經(jīng)網(wǎng)絡算法（ANN）的一種，近年來廣泛應用于圖像處理領(lǐng)域是一種高效的識別方法。
       卷積神經(jīng)網(wǎng)絡的前向傳播
       卷積神經(jīng)網(wǎng)絡分為兩個部分：學習和預測，其中預測過程稱為卷積神經(jīng)網(wǎng)絡的前向傳播，典型的卷積神經(jīng)網(wǎng)絡一般有三步操作：卷積、激活和池化。其中卷積操作與圖像的卷積操作一致，它將每一個多通道的圖像看作是一層輸入，每個神經(jīng)元的輸入與前一層的局部接受域相連，并提取該局部的特征。一旦該局部特征被提取后，它與其它特征間的位置關(guān)系也隨之確定下來；卷積操作的本質(zhì)是輸入按照權(quán)重進行疊加，這是一個線性操作，如果直接將疊加值作為輸出，則神經(jīng)網(wǎng)絡的隱藏層將失去作用，卷積神經(jīng)網(wǎng)絡將與原始的感知機無異，因此為了增加神經(jīng)元的擬合能力，必須引入一個非線性的函數(shù)，即激活函數(shù)；卷積神經(jīng)網(wǎng)絡的池化操作主要用于降低提取特征的維度以降低計算量，即通過對不同位置的特征進行聚合統(tǒng)計，可以有效的降低運算的復雜度，并一定程度上防止過擬合，常用的池化方法有平均池化或者最大池化。
       卷積神經(jīng)網(wǎng)絡的后向傳播
       前面我們所介紹的卷積神經(jīng)網(wǎng)絡的前向傳播過程是建立在權(quán)重已知的前提下，但是實際上我們并不能確定權(quán)重，因此我們需要通過后向傳播進行權(quán)重的更新學習（或稱為訓練）。通過學習我們的算法計算得出的結(jié)果與實際結(jié)果越接近越好。數(shù)學上，我們用損失函數(shù)來衡量計算結(jié)果與實際結(jié)果的距離的指標。卷積神經(jīng)網(wǎng)絡的學習過程就是最小化損失函數(shù)的優(yōu)化過程，常用的優(yōu)化方法有梯度下降法。

       車型分類
       我們利用邊緣檢測針對高清卡口圖片進行車輛定位，確定了待分類車輛的候選框。確定候選框之后，為了確定候選框內(nèi)是否包含車輛和車輛的具體類別，就需要對候選框中圖像進行分類。卷積神經(jīng)網(wǎng)絡作為一個自學習的特征提取器，避免了傳統(tǒng)算法手工挑選特征的主觀性，并且可以應對各種復雜環(huán)境。

       車型分類作為物體分類的一個子問題，完全可以使用卷積神經(jīng)網(wǎng)絡來實現(xiàn)車型的分類。目前大型卷積神經(jīng)網(wǎng)絡，例例如 Alexnet、VGGNET以及Googlenets等在物體識別上取得了巨大的成功。三個網(wǎng)絡在 Imagenet比賽中，一千類物體識別率均在80％以上。但是相對而言， Alexnetk網(wǎng)絡最為扁平，處理速度最快。因此本文以 Alexnet為基礎，針對車輛數(shù)據(jù)據(jù)集進行訓練。 Alex Net網(wǎng)絡結(jié)構(gòu)如圖所示。整個網(wǎng)絡由5個卷積層和3個全連接層組成，最后接人 softmax進行分類。

      創(chuàng)通寶為客戶提供：從方案制定，到技術(shù)實現(xiàn)，后續(xù)維護為一體的系統(tǒng)化服務。服務范圍：高清監(jiān)控系統(tǒng)安裝 、綜合布線、機房建設、門禁系統(tǒng)安裝、停車場系統(tǒng)、廣播系統(tǒng)安裝等產(chǎn)品，歡迎撥打咨詢熱線：400-788-1068