大家好，今天小编关注到一个比较有意思的话题，就是关于卷积神经网络论文的问题，于是小编就整理了3个相关介绍卷积神经网络论文的解答，让我们一起看看吧。
卷积神经网络真的完美无瑕吗？
当然不是，有很多问题。首先包括卷积神经网络在内的深度学习技术缺少严谨的数学理论支撑，导致深度技术主要依靠做实验来改进模型，存在盲目性；其次，卷积网在处理图像时容易被一些人眼观察不到的细微干扰影响，导致人眼观察几乎相同的图片，神经网络却会得到截然不同的分类结果。这个缺点导致卷积网可能会在特定条件下崩溃，缺乏稳定性，在cvpr2017论文集，以及深度学习鼻祖hinton近期论文capsule net中有相关论述。
卷积神经网络(Convolutional Neural Networks, ConvNets or CNNs)是一种在图像识别与分类领域被证明特别有效的神经网络。随着近几年不断的发展与创新，卷积神经网络已经扩展出更多的功能。再次，简单列举几个方面：
1）分类任务classification
卷积神经网络最善长的就是完成分类任务，比如一张图片上是猫、还是狗、是飞机还是汽车。
2）检索任务（Retrieval）
我们在用淘宝购物的时候，其实就已经在使用这个功能了，比如说我们想买一条裙子，既可以在搜索栏搜关键字，也可以直接输入想要的款式，淘宝就会根据你提供的图片，检索出相似的款式推荐给你
3）检测任务（Detection）
检测任务要完成两个事情，一是检测图中的物体，也就是要用方框圈出图片中的多物体；二是要给出框出的物体的名称。检测任务包含了分类和回归两个过程。
resnet神经网络是什么时候提出的？
resnet神经网络是2015年提出的。ResNet又名残差神经网络，指的是在传统卷积神经网络中加入残差学习（residual learning）的思想，解决了深层网络中梯度弥散和精度下降（训练集）的问题，使网络能够越来越深，既保证了精度，又控制了速度。
该网络凭借其优秀的性能夺得了多项机器视觉领域竞赛的冠军，而后在2016年发表的论文《Deep Residual Learning for Image Recognition》也获得了CVPR2016最佳论文奖。
如何评价深度学习之父Hinton发布的Capsule论文？
胶囊神经网络提出的动机
传统的CNN（卷积神经网络）主要基于卷积操作提取图像特征。为了应对和训练集略有差异的图像，CNN使用最大池化（max pooling）等技术忽略训练集中的图像样本的一些信息，从而提高了对平移后的图像以及不同视角的图像的适应性。
然而，正如Hinton所说：
卷积神经网络的内部数据表示没有考虑简单和复杂对象之间的重要空间层级
所以，CNN会把下面这样的图像识别为人脸：
（交换了眼睛和嘴唇的Kim Kardashian像，来源：hackernoon***）
还有这张：
（图片来源：jhui.github.io）
相反，人类却能轻易地识别出这些不是人脸。
到此，以上就是小编对于卷积神经网络论文的问题就介绍到这了，希望介绍关于卷积神经网络论文的3点解答对大家有用。
