卷积神经网络

用小卷积核在图像上滑动提取局部特征的神经网络，长期是视觉任务的主力。

卷积神经网络是专门处理图像这类网格数据的神经网络。核心是卷积层：一组很小的可学习滤波器（如 3×3）在图上逐位置滑动，计算局部加权和；同一个滤波器在所有位置共用参数，所以参数量远少于全连接网络，也天然适合识别出现在任何位置的边缘、纹理和部件。再配合池化层逐步缩小分辨率，就能从局部细节一路抽象到整体语义。发展上，LeCun 在 1990 年代用 LeNet 识别手写数字，2012 年 AlexNet 在 ImageNet 上大幅领先，2015 年 ResNet 用残差连接把网络做深。视觉 Transformer 出现后，大模型的视觉编码器多换成了 Transformer，但机器人小模型里 CNN 依然常见，例如 RT-1 用 EfficientNet、Diffusion Policy 用 ResNet-18 处理相机图像。

例子Diffusion Policy 把标准 ResNet-18 的全局平均池化换成空间 softmax 以保留位置信息，把 BatchNorm 换成 GroupNorm 以稳定训练，用它把每个相机画面编码成特征。

也叫

卷积网络、ConvNet

相关

残差网络、EfficientNet、视觉编码器、视觉 Transformer、骨干网络、空间 Softmax

来源

CS231n: Convolutional Neural Networks for Visual Recognition (Stanford)
Diffusion Policy: Visuomotor Policy Learning via Action Diffusion (arXiv 2303.04137)
RT-1: Robotics Transformer (project page)