水面垃圾清理机器人的视觉算法研究

       卷积神经网络是一种分层的数据表示模型，通常由数据输入层、卷积层、池化层、 非线性激活函数、全连接层以及输出结果预测层等组成，其中卷积层、池化层和非线 性激活函数是卷积神经网络中的重要组成部分。此外，有些模型会增加其他的层(归一 化层等)以满足系统特定功能需求。卷积网络以各个单层为基础，按照一定的规律，一 层一层堆叠，卷积神经网络就可以逼近各种复杂函数的空间分布。

1. 卷积层

滤波器(也称为卷 积核)，滤波器的数量越多，卷积神经网络的深度越深。卷积 层的设计和参数设置，对于卷积神经网络的性能具有重大影响。

卷积核多大，输出就多大。

2.非线性激活函数

       设计卷积神经网络时，以激活函数作为卷积层下一步的运算，可以兼顾计算的 简单性和网络的灵活性。卷积层计算是所有前一层输入的线性组合，这里的激活函数 则是计算所有输入值与非线性激活函数的乘积，这样的安排能够降低网络的运算复杂 度，兼容非线性组合运算。

       要激活函数中包含充分的梯度信息，以便于能从输入的数据中 捕获更多的信息。

       常用的激活函数是 Sigmoid 函 数、ReLU(Rectified Linear Unit，ReLU)函数以SiLU(Sigmoid Linear Unit, SiLU) 函数等，这些函数有更好的光滑性，被广泛应用于卷积神经网络。