(中南民族大学 生物医学工程学院， 湖北 武汉 430074)

0 引言

基于卷积滤波器的卷积神经网络，由于具有从原始图像像素学习特征的强大能力，在计算机视觉领域被广泛关注和应用。与传统的计算机视觉方法不同，卷积神经网络是多层次的人工神经网络，每个网络层都具有强韧的特征表达能力，对于输入图像的翻转、平移等形式变化具有高度识别性。卷积神经网络中的卷积层、激活层和池化层三个网络结构，能够避免传统神经网络的数据重建，并降低特征提取的困难。

卷积神经网络是一种数据驱动的算法，它从数据中学习稳健的特征，但是通常以昂贵的训练和复杂的模型参数为代价[1]；此外，神经网络的收敛性取决于参数初始化。权值的初始化通常采用均匀分布或正态分布，但这会影响收敛问题，使得网络框架较深的网络在训练时收敛困难。在卷积神经网络中，第一层卷积层主要发挥着浅层特征提取器的作用。 然而，一些深度可视化研究[2-3]，在AlexNet[4]、GoogLeNe[5]等经典卷积神经网络模型中，观察第一层网络的卷积核形状，发现许多自适应滤波器最终收敛于Gabor滤波器，即使所有的滤波器都是随机初始化的；此外，第一层中提取特征的滤波器大多是重复的和有缺陷的。

生物研究[6]表明，Gabor小波具有生物学性质，与哺乳动物大脑视觉皮层的感受细胞的视觉机制十分相似，具有频率特性和方向特性，对图像的边缘信息敏感，能够有效提取边缘特征，感知纹理信息[7]，此外，Gabor滤波器对于光照条件不敏感，在特征提取过程中不会受光照亮度影响。……