彩涂卷

AMDIS自动化质谱图解卷积和鉴定软件在GC/MS数据处理的初步应用(7)- 手动解卷积（2）（ 本文只是一种探讨交流，可能有不足不妥之处，欢迎批评指正。未经同意，请勿转载。多谢合作！） 先回顾一下AMDIS的基本概念对于AMDIS有的网友可能比较熟悉，特别是农残，环境，有害物，香精香料等领域的朋友可能属于高级使用者。本人以初学者的身份初步介绍一下AMDIS。如有不妥，请批评指正。未经许可，不得转载，请谅解。一般来说，目标化合物的分析要求检测目标离子和确认离子的比例。然而，对于高基体背景的样品，大峰后面的痕量组分或流出时间很接近的成分，离子比例会受到基体的影响很难符合要求。为了确保分析结果可靠，一般采用背景扣除及手动积分。因此，对于复杂基体的样品数据处理，需要耗费大量的时间。为了提高分析效率，谱图可以利用一种称为“解卷积”的数学计算来将目标化合物从背景中分离出来。美国国家标准和技术院(NIST)开发了功能强大的解卷积软件，即自动质谱解卷积和鉴定系统(AMDIS)。下面简单介绍一下AMDIS：AMDIS 软件由美国国家标准技术研究院（NIST）（National Institute of Standards and Technology）提供。The Automatic Mass Spectral Deconvolutionand Identification System (AMDIS)自动质谱图解卷积和鉴定系统软件(AMDIS)让您从GC/MS数据文件自动找到目标化合物。软件先对GC/MS数据文件解卷积寻找所有分离组分。每一组分与目标化合物的谱库进行对比。如果以上的用户设定值，然后报告出目标图谱和解卷了组分的图谱的匹配因子。什么是解卷积（Deconvolution）?NIST AMDIS的定义:“这里所用的术语在广义上是指从一个复杂的混合物中提取信号。 解卷积的过程包括处理噪音、校正漂移、从紧密相邻的共洗脱峰中提取出单个峰等。” (简单讲就是去复杂化)用下面的简图可以解释解卷积过程:在GC/MS 中，Deconvolution是一种数学技术，它可以将重叠的质谱图“分开”成为“清晰”的单个组分的谱图。图1 是这个过程的简单示意图。这里分别是总离子流色谱图(TIC)和质谱图。与常见的情况一样，这个色谱峰包含了多个重叠在一起的组分，而最高点质谱图实际上也是这些组分的组合图。质谱谱库检索只可能给出一个较差的匹配，而且不能识别所有构成这种组合谱图的单个化合物组分。http://ng1.17img.cn/bbsfiles/images/2016/12/201612301125_01_1615838_3.jpg图1 解卷积过程的简单示意图其它相关内容请参考我以前的帖子。

做钢卷尺的核查时，连自己都不知道这是一次核查，那时候我们中心还没有得到中国合格评定认可委员会的认可，当时的检测中心还没有现在那么规范。记得那次是客户验厂，公司为了节省公司开支，只对中心的计量仪器进行了校准，而对于要求准确率较低的生产部门的计量仪器则没有经过校准过。那天正好客户需要审核公司内部生产用钢卷尺的核查记录，听到这个我的头顿时“嗡”了一下，这可怎么办？因为这种方法不一定能够应付过去。于是我装作不知道，你说的核查记录是我们的对比证据吗？验厂审核员说对啊！就是用你校验的计量仪器和使用的设备作对比，看一下使用的仪器能否应用。听了这话，一语惊醒梦中人。于是，我向审核员承诺有的，不过路途太远（我们中心在工业园区，验厂是在总公司，来回得近一个小时），得等一会。审核员很是理解于是答应一小时后看到。在公司生产部门的配合下我快速取回了在校准有效期内的钢卷尺和生产使用中的钢卷尺，并取出钢卷尺的校准证书。开始了我的第一次钢卷尺核查经历，并在规定的时间内提供了核查的依据。首先我将校准过的钢卷尺校准证书进行了复印，作为验证材料，然后对使用的钢卷尺外观进行了核查，主要看钢卷尺的磨损程度，看刻度的清晰度。最后将校准的钢卷尺和使用中的钢卷尺并排放在同一水平线上，分别对钢卷尺中各刻度的一致性进行对比，看10cm等几处刻度的对齐程度。经过核查使用的钢卷尺竟然与校准的钢卷尺刻度一致。于是留下了自己平生第一次的核查材料。然后将核查结果及见证材料在有效的时间内提供给了审核员。当审核员看到我的校准结果及见证材料时，居然表扬了我，说是材料齐全。可他们那知我内心的恐怖。虽然这次验厂通过了，但是总结起来还是很冒险的。经过这次经历奉劝同行们：1. 千万别图一时之利，对该校验的设备必须定期严格校验。否则的话不但对检验的结果有影响，而且如果万一通过不了审核的话会导致客户退货，这会对公司的损失会远远大于所图的“一时之利”。2. 通过这次审核，也发现了一些可取之处，那就是材料方面，做任何的事情，必须有足够的证据证明自己测试的准确性，不论做什么事都必须做到这一点，否则的话你的工作等于白做。3. 在特殊的情况下，保持冷静的头脑时很有必要的。要善于从问题中找出原因，广开思路，从语言的字里行间发现解决问题的方法。4. 做事千万不要存在侥幸心里。只有在没有办法的时候才可以这种办法。5. 该方法核查系自创方法不确定度较多，结果并不完全正确，只供参考。 6. 如有其他好的建议，环境提出共同商议。附：核查过程图示http://ng1.17img.cn/bbsfiles/images/2012/10/201210011857_393986_1954597_3.jpg 图1——被校准的钢卷尺及校准证书部分内容http://ng1.17img.cn/bbsfiles/images/2012/10/201210011858_393987_1954597_3.jpg 图2——钢卷尺校准过程http://ng1.17img.cn/bbsfiles/images/2012/10/201210011858_393989_1954597_3.jpg 图3——钢卷尺校准起点从10cm开始http://ng1.17img.cn/bbsfiles/images/2012/10/201210011859_393990_1954597_3.jpg 图4——钢卷尺校准放置的位置

[color=#444444]红外光谱图在Peakfit软件中进行去卷积处理之后，没有分出峰，求问可能的原因。。[/color][color=#444444][img=,690,354]https://ng1.17img.cn/bbsfiles/images/2019/07/201907221026338807_7259_1676638_3.png!w690x354.jpg[/img][/color]

http://ng1.17img.cn/bbsfiles/images/2013/02/201302071508_425092_1608945_3.jpg过大年了，我们这地方有过年蒸花卷，大年夜供奉神灵的习俗，画卷有大有小，主要放在家谱、老天爷、井王爷、灶王爷、场神爷等等神仙的画像前，给大家晒晒一个画卷的制法主要原料：面粉，玉米粉、糯米粉、黑米粉、南瓜粉、地瓜粉，颜色可以自由搭配，如加入紫薯，菜汁，胡萝卜泥等1.面粉加入糖，酵母，泡打粉，用温水和成面团。面团分三份，分别与黑米粉、南瓜粉等揉成彩色面团。擀成大小一致的薄片。http://ng1.17img.cn/bbsfiles/images/2013/02/201302071512_425093_1608945_3.jpg2.将几种颜色的面皮叠加在一起。http://ng1.17img.cn/bbsfiles/images/2013/02/201302071513_425094_1608945_3.jpg3.把面皮擀开，从一边卷起http://ng1.17img.cn/bbsfiles/images/2013/02/201302071514_425096_1608945_3.jpg4.切成2-3CM的厚片。http://ng1.17img.cn/bbsfiles/images/2013/02/201302071515_425098_1608945_3.jpg5. 两片相对，用手捏成蝴蝶形。http://ng1.17img.cn/bbsfiles/images/2013/02/201302071515_425099_1608945_3.jpg6.捏好的蝴蝶卷，醒发一会入蒸笼蒸熟即可。http://ng1.17img.cn/bbsfiles/images/2013/02/201302071516_425100_1608945_3.jpg7.成品图http://ng1.17img.cn/bbsfiles/images/2013/02/201302071508_425092_1608945_3.jpg

我用ADMIS对GC-MS得到的结果进行解卷积操作，但是解卷积得到的目标物质在NIST库中并找不到相应的物质，所以我怀疑解卷积结果的可信度，大神们有过这方面的经验么？求解答。下面举一个例子，首先我进行解卷积操作，如图1[img=,690,517]http://ng1.17img.cn/bbsfiles/images/2018/04/201804161252444250_338_3386132_3.jpg!w690x517.jpg[/img] 图1之后额匹配得到了一个目标物是呋喃，如图2[img=,400,299]http://ng1.17img.cn/bbsfiles/images/2018/04/201804161257540590_9570_3386132_3.jpg!w690x517.jpg[/img] 图2然后我到NIST05库中去匹配这个物质，如图3的操作[img=,450,337]http://ng1.17img.cn/bbsfiles/images/2018/04/201804161306381110_6182_3386132_3.jpg!w690x517.jpg[/img]但是最后的匹配结果并没有找到呋喃这个物质，如图4.[img=,450,337]http://ng1.17img.cn/bbsfiles/images/2018/04/201804161307164570_2099_3386132_3.jpg!w690x517.jpg[/img]所以想问问各位大神amdis解卷积得到的结果可信度是多少呢？重复性怎么样？

文/王胜楠（华测检测 工程建筑及特检事业部）[b]1、防水材料简介[/b]防水材料是防止雨水、地下水、工业和民用的给排水、腐蚀性液体以及空气中的湿气、蒸气等侵入建筑物的材料。防水材料品种繁多，按其主要原料分为四类：①以天然沥青、石油沥青和煤沥青为主要原材料的沥青类防水材料，其具有良好的粘结性、塑性、抗水性、防腐性和耐久性；②以氯丁橡胶、丁基橡胶、三元乙丙橡胶、聚氯乙烯、聚异丁烯和聚氨酯等原材料制成的橡胶塑料类防水材料，其具有抗拉强度高，弹性和延伸率大，粘结性、抗水性和耐气候性好等特点，可以冷用，使用年限较长；③对水泥有促凝密实作用的外加剂与以水泥和硅酸钠为基料配置的促凝灰浆的水泥类防水材料，可用于地下工程的堵漏防水；④薄钢板、镀锌钢板、压型钢板、涂层钢板等金属类防水材料，也可用以防水。薄钢板用于地下室或地下构筑物的金属防水层。薄铜板、薄铝板、不锈钢板可制成建筑物变形缝的止水带。金属防水层的连接处要焊接，并涂刷防锈保护漆。按照材料性状划分，防水材料主要有三类：①防水卷材，主要用于工程施工，如屋顶、外墙、地下室等；②911聚氨酯防水材料，含有挥发性毒气，施工要求严格，且造价昂贵；③新型聚合物水泥基防水材料，材料由有机高分子液料和无机粉料复合而成，同时具备了有机材料弹性高和无机材料耐久性好的特点。建筑防水工程是保证建筑物的结构不受水的侵袭、内部空间受水的危害的一项分部工程，建筑防水工程在整个建筑工程中占有重要的地位。建筑防水工程的质量优虐优劣与防水材料、防水设计、防水施工以及维修管理等密切相关，因此必须高度重视。[b]2、工程防水的第一道屏障——防水卷材[/b]防水卷材是整个工程防水的第一道屏障，对整个工程起着至关重要的作用。随着房建、基建等项目日趋大体量、多功能、高品质的发展，防水工程的功能及质量均要求大幅提高，同时行业也相应推出了新产品、新工艺以满足建设需求。旧版GB/T 23457-2009《预铺/湿铺防水卷材》2009版已不再适用于预铺/湿铺防水卷材的发展定位和应用，新版标准已于2017年12月29日发布，并将于2018年11月1日实施。在2017版新标准中，修改了标准名称和范围，同时将预铺防水卷材与湿铺防水卷材拆分成两个标准：GB/T 23457-2017《预铺防水卷材》依旧采用原标准号，适用于以塑料、沥青、橡胶为主体材料，一面有自粘胶，胶表面采用不粘或减粘材料处理，与后浇混凝土粘结的防水卷材，并且新增了橡胶类防水卷材（R）。GB/T 35467-2017《湿铺防水卷材》采用新标准号，适用于采用水泥净浆或水泥砂浆与混凝土基层粘结的具有自粘性的聚合物改性沥青防水卷材。防水卷材要求有良好的耐水性，对温度变化的稳定性（高温下不流淌、不起泡、不淆动、低温下不脆裂），一定的机械强度、延伸性和抗断裂性，要有一定的柔韧性和抗老化性等。与旧版标准相比，2017版标准删除了水泥粉污染表面与后浇混凝土剥离强度试验项目，增加了拉伸强度、弹性恢复率、穿刺性能、不透水性、卷材与卷材剥离强度（搭结边）、卷材防粘处理部位剥离强度试验项目；修改了拉力（P类）、抗冲击性、耐热性、低温弯折性和低温柔性、渗油性、抗窜水性、与后浇混凝土浸水后剥离强度技术指标。[b]3、新增物理力学性能检测项目简介[/b]（1）拉伸强度 拉伸性能测试主要确定材料的拉伸强度，通过拉伸实验可测材料的弹性、强度、延性、应变硬化和韧度等重要的力学性能指标，它是材料的基本力学性能。（2）弹性恢复率 弹性恢复是指外力消除以后，材料恢复受力以前的程度。弹性恢复与材料的弹性模量、强度、变形、断裂等性能均有关系。一般来说材料弹性模量越大，弹性恢复能力越强。弹性恢复能是指线弹性材料的变形是可逆的，即卸载后还能恢复原来的长度，应力与应变的乘积的量纲。（3）穿刺性能 试样在不受拉伸的情况下夹在两个圆板之间，并且环形的夹具要牢固固定在拉伸测试仪上。与荷载指示器相连的一根实心金属棒对试样没有被支撑部分的中心施加一个力，直到试样被刺穿，所施加的最大的力就是试样的抗穿刺强度。（4）不透水性 不透水性反映防水卷材的抗水压能力，但与地下工程的抗渗性原理意义不一样，前者是无支撑本体材料，后者是有基层支撑。指标为0.3 MPa，120 min不透水，与原标准相同。（5）卷材与卷材剥离强度（搭结边） 湿铺防水卷材要形成一个完整柔性包裹系统，卷材与卷材之间应当自粘搭接。自粘搭接的效果，用卷材与卷材剥离强度表征，并明确了在“搭接边处”裁取试件的要求。为保证长期的搭接效果，同时还规定了浸水处理和热处理，指标根据验证试验确定为无处理：1.0 N/mm，浸水处理：0.8 N/mm，热处理：0.8 N/mm。原标准指标无处理、热处理都是1.0 N/mm，无浸水处理要求。（6）卷材防粘处理部位剥离强度 卷材的主体材料面与另一块卷材的非搭接边有防粘材料的自粘胶面粘合，双面有自粘胶的产品以两块卷材的非搭接边的有防粘材料的自粘胶面对粘合。剥离强度是从接触面进行单位宽度剥离时所需要的最大力，反映了粘贴在一起的材料的粘结强度。（7）低温弯折性和低温柔性 通过测定防水卷材的冷弯温度，可以对其低温弯折性和低温柔性进行评定，该项指标能够表征卷材在低温状态下的应用性能。预铺防水卷材与湿铺防水卷材新旧标准的性能要求如表1-4所示。[img=,666,749]https://ng1.17img.cn/bbsfiles/images/2018/10/201810241513324934_3727_3051334_3.jpg!w666x749.jpg[/img][img=,670,703]https://ng1.17img.cn/bbsfiles/images/2018/10/201810241513496848_2947_3051334_3.jpg!w670x703.jpg[/img][img=,587,854]https://ng1.17img.cn/bbsfiles/images/2018/10/201810241513582178_5685_3051334_3.jpg!w587x854.jpg[/img][img=,666,766]https://ng1.17img.cn/bbsfiles/images/2018/10/201810241514013073_1392_3051334_3.jpg!w666x766.jpg[/img][b]4、小结[/b]建筑防水工程的质量直接影响到房屋的使用功能和寿命，关系到人们生活和生产是否正常进行，历来受到人们的重视。建筑防水工程整体质量的要求是：不渗不漏，保证排水畅通，使建筑物具有良好的防水和使用功能。防水工程是一项要求较高的专业技术，所以施工专业化是保证屋面防水工程质量的关键，如果施工操作不认真，技术不够，其后果必然导致防水工程的失败。建筑防水技术是一门综合性、应用性很强的工程技术科学，是建筑工程技术的重要组成部分，对提高建筑物使用功能和生产、生活质量，改善人居环境发挥重要作用。GB/T 23457-2017《预铺防水卷材》和GB/T 35467-2017《湿铺防水卷材》新国标，是在总结我国多年来该产品的研究开发及生产应用实践的基础上制定的，新标准的实施，有利于进一步提高产品质量，促进防水卷材在建设工程和基础设施的推广应用，满足城乡建设的需要。

[align=left][size=16px]版友们上午好~[/size][/align][align=left][size=18px]“[b]【有奖调研】关于锂电的调研问卷[/b]”活动已经结束啦，来看看您有没有中奖吧~~[/size][/align][align=left][size=18px]活动原帖：[url=https://bbs.instrument.com.cn/topic/8261783][b]【有奖调研】关于锂电的调研问卷[/b][/url][/size][/align][align=left][size=18px][b][/b][/size][/align][align=left][size=18px][b]以下为实物中奖名单[img=,477,781]https://ng1.17img.cn/bbsfiles/images/2023/10/202310091049529164_2317_5874949_3.png!w477x781.jpg[/img]恭喜以上获奖的版友，我们会通过微信/短信的形式与您联系，请你保持联系方式畅通[/b][/size][/align][align=left][size=18px][b]参与的用户同样会有到200积分奖励，我们会在两个工作日内发放，感谢您的支持[/b][/size][/align][align=left][size=18px][b]让我一起期待下一次的活动吧~[/b]附：抽奖截图[img=,690,632]https://ng1.17img.cn/bbsfiles/images/2023/10/202310091054049423_5399_5874949_3.png!w690x632.jpg[/img][/size][/align]

[b]卷积神经网络模型发展及应用转载地址：[/b]http://fcst.ceaj.org/CN/abstract/abstract2521.shtml [img]https://oss-emcsprod-public.modb.pro/image/editor/20220802-9243a15c-bcd6-4a63-921e-932f257a1e05.png[/img][img=,690,212]https://ng1.17img.cn/bbsfiles/images/2022/08/202208021122351500_3641_5785239_3.png!w690x212.jpg[/img]深度学习是机器学习和人工智能研究的最新趋势，作为一个十余年来快速发展的崭新领域，越来越受到研究者的关注。卷积神经网络（CNN）模型是深度学习模型中最重要的一种经典结构，其性能在近年来深度学习任务上逐步提高。由于可以自动学习样本数据的特征表示，卷积神经网络已经广泛应用于图像分类、目标检测、语义分割以及自然语言处理等领域。[b]首先分析了典型卷积神经网络模型为提高其性能增加网络深度以及宽度的模型结构，分析了采用注意力机制进一步提升模型性能的网络结构，然后归纳分析了目前的特殊模型结构，最后总结并讨论了卷积神经网络在相关领域的应用，并对未来的研究方向进行展望。[/b]卷积神经网络（convolutional neural network，CNN） 在计算机视觉[1- 5]、自然语言处理[6- 7]等领域已被广泛 应用。在卷积神经网络兴起之前，主要依靠人工针对特定的问题设计算法，比如采用 Sobel、LoG（Laplacian of Gaussian）、Canny、Prewitt 等[8- 11]算子进行边 缘 检 测 ，采 用 Harris、DoG（difference of Gaussian）、FAST（features from accelerated segment test）、SIFT （scale invariant feature transform）等[12-15]用于角点等特 征检测，并且采用传统分类器如 K近域、支持向量机、 稀疏分类器等[16- 18]进行分类。特征提取和分类器的 设计是图片分类等任务的关键，对分类结果的好坏 有着最为直接的影响。卷积神经网络可以自动地从 训练样本中学习特征并且分类，解决了人工特征设计 的局限性。神经网络的思想起源于1943年McCulloch 和 Pitts 提出的神经元模型[19]，简称 MCP 神经元模 型。它是利用计算机来模拟人的神经元反应的过 程，具有开创性意义。此模型将神经元反应简化为 三个过程：输入信号线性加权、求和、非线性激活。1958 年到 1969 年为神经网络模型发展的第一阶段， 称为第一代神经网络模型。在 1958 年 Rosenblatt 第 一次在 MCP 模型上增加学习功能并应用于机器学 习，发明了感知器算法[20]，该算法使用 MCP 模型能够 采用梯度下降法从训练样本中自动学习并更新权 值，并能对输入的多维数据进行二分类，其理论与实 践的效果引起了神经网络研究的第一次浪潮。1969 年美国数学家及人工智能先驱 Minsky在其著作中证 明感知器本质上是一种线性模型[21]，只能处理线性分 类问题，最简单的异或问题都无法正确分类，因此神 经网络的研究也陷入了近二十年的停滞。1986 年到 1988 年是神经网络模型发展的第二阶段，称为第二 代神经网络模型。1986 年 Rumelhart 等人提出了误 差反向传播算法（back propagation algorithm，BP）[22]。BP 算法采用 Sigmoid 进行非线性映射，有效解决了 非线性分类和学习的问题，掀起了神经网络第二次 研究高潮。BP 网络是迄今为止最常用的神经网络， 目前大多神经网络模型都是采用 BP网络或者其变化 形式。早期神经网络缺少严格数学理论的支撑，并 且在此后的近十年时间，由于其容易过拟合以及训 练速度慢，并且在 1991 年反向传播算法被指出在后 向传播的过程中存在梯度消失的问题[23]，神经网络再 次慢慢淡出人们的视线。1998 年 LeCun 发明了 LeNet-5，并在 Mnist 数据 集达到 98%以上的识别准确率，形成影响深远的卷积 神经网络结构，但此时神经网络的发展正处于下坡 时期，没有引起足够的重视。从感知机提出到 2006 年以前，此阶段称为浅层 学习，2006 年至今是神经网络的第三阶段，称为深度 学习。深度学习分为快速发展期（2006—2012 年）和 爆发期（2012 年至今），2006 年 Hinton 提出无监督的 “逐层初始化”策略以降低训练难度，并提出具有多 隐层的深度信念网络（deep belief network，DBN）[24]， 从此拉开了深度学习大幕。随着深度学习理论的研究和发展，研究人员提 出了一系列卷积神经网络模型。为了比较不同模型 的质量，收集并整理了文献中模型在分类任务上的 识别率，如图 1所示。由于部分模型并未在 ImageNet 数据集测试识别率，给出了其在 Cifar-100 或 Mnist数 据集上的识别率。其中，Top-1识别率指的是 CNN 模型预测出最大概率的分类为正确类别的概率。Top-5 识别率指的是 CNN 模型预测出最大概率的前 5 个分 类里有正确类别的概率。2012 年，由 Alex Krizhevshy 提出的 AlexNet给卷 积神经网络迎来了历史性的突破。AlexNet 在百万 量级的 ImageNet数据集上对于图像分类的精度大幅 度超过传统方法，一举摘下了视觉领域竞赛 ILSVRC2012的桂冠。自 AlexNet之后，研究者从卷积神经网 络的结构出发进行创新，主要有简单的堆叠结构模 型，比如 ZFNet、VGGNet、MSRNet。堆叠结构模型通 过改进卷积神经的基本单元并将其堆叠以增加网络 的深度提升模型性能，但仅在深度这单一维度提升 模 型 性 能 具 有 瓶 颈 ；后 来 在 NIN（network in network）模型提出使用多个分支进行计算的网中网结 构模型，使宽度和深度都可增加，具有代表性的模型 有 Inception 系列模型等；随着模型深度以及宽度的 增加，网络模型出现参数量过多、过拟合以及难以训 练等诸多问题。ResNet 提出残差结构后，为更深层 网络构建提出解决方案，随即涌现出很多残差结构模 型，比如基于 ResNet 改进后的 ResNeXt、DenseNet、 PolyNet、WideResNet，并且 Inception也引入残差结构 形成了 Inception-ResNet-block，以及基于残差结构并 改进其特征通道数量增加方式的 DPResNet；与之前 在空间维度上提升模型性能的方法相比，注意力机 制模型通过通道注意力和空间注意力机制可以根据 特征通道重要程度进一步提升模型性能，典型的模 型为 SENet、SKNet 以及 CBAM（convolutional block attention module）。传统的卷积神经网络模型性能十分优秀，已经 应用到各个领域，具有举足轻重的地位。由于卷积 神经网络的模型十分丰富，有些模型的结构或用途 比较特殊，在本文中统称为特殊模型，包括具有简单的结构和很少参数量的挤压网络模型 SqueezeNet，采 用无监督学习的生成对抗网络模型（generative adversarial network，GAN），其具有完全相同的两路网络 结构以及权值的孪生神经网络模型 SiameseNet，以 及通过线性运算生成其他冗余特征图的幽灵网络 GhostNet。由于卷积神经网络的一系列突破性研究成果， 并根据不同的任务需求不断改进，使其在目标检测、 语义分割、自然语言处理等不同的任务中均获得了 成功的应用。[b]基于以上认识，本文首先概括性地介绍了卷积 神经网络的发展历史，然后分析了典型的卷积神经 网络模型通过堆叠结构、网中网结构、残差结构以及 注意力机制提升模型性能的方法，并进一步介绍了 特殊的卷积神经网络模型及其结构，最后讨论了卷 积神经网络在目标检测、语义分割以及自然语言处 理领域的典型应用，并对当前深度卷积神经网络存 在的问题以及未来发展方向进行探讨。[img=,690,387]https://ng1.17img.cn/bbsfiles/images/2022/08/202208021123119824_325_5785239_3.png!w690x387.jpg[/img][/b][img]https://oss-emcsprod-public.modb.pro/image/editor/20220802-51d3c121-d787-4a08-a7a4-a7f9ecb3a33d.png[/img][b]转载文章，如有侵权，请联系我删除[/b]