题目
4.在深度学习[1]中，卷积神经网络(CNN)主要用于处理（）数据A. 文本B. 图像C. 音频D. 时间序列
4.在深度学习[1]中，卷积神经网络(CNN)主要用于处理（）数据
A. 文本
B. 图像
C. 音频
D. 时间序列
题目解答
答案
B. 图像
解析
考查要点：本题主要考查对卷积神经网络（CNN）典型应用场景的理解。
解题核心：明确CNN的核心特性——空间特征提取能力，并联系其最经典的应用领域。
关键点：
- CNN通过卷积操作提取局部空间特征，特别适合处理具有二维结构的数据（如图像）。
- 其他选项（文本、音频、时间序列）通常采用其他模型（如RNN、Transformer），或仅在特定场景下结合CNN使用。
卷积神经网络（CNN）的核心在于卷积层，其通过卷积核在输入数据上滑动，提取局部区域的特征。这种特性使其天然适用于二维图像数据，例如：
- 图像分类（如识别物体、场景）
- 目标检测（如定位图像中的特定对象）
- 图像分割（如标注图像中每个像素的类别）
选项分析：
- A. 文本：文本是序列数据，通常使用循环神经网络（RNN）或Transformer模型（如BERT）。
- B. 图像：CNN通过提取图像的空间特征（如边缘、纹理），成为图像处理的主流工具。
- C. 音频：音频常转化为频谱图（二维形式）后使用CNN，但传统处理更依赖波形分析或RNN。
- D. 时间序列：时间序列具有时序依赖性，常用RNN或LSTM，一维CNN仅在特定场景辅助使用。