下列哪种模型主要用于图像识别任务?A. RnnB. CnnC. SvmD. K-means

考查要点：本题主要考查学生对常见机器学习模型及其应用场景的了解，特别是图像识别任务的核心算法。

解题核心思路：
图像识别任务需要处理高维空间数据（如像素矩阵），并提取空间特征。卷积神经网络（CNN）通过卷积层和池化层的组合，能够有效提取图像的局部特征并降低计算复杂度，因此成为图像识别的主流模型。其他选项中，RNN擅长序列数据，SVM适用于小样本分类，K-means用于聚类，均与图像识别的核心需求不匹配。

破题关键点：

1. CNN的特性：理解CNN通过卷积操作提取图像特征的优势。
2. 模型与任务的对应关系：明确不同模型的典型应用场景。

选项分析

A. RNN（循环神经网络）

• 特点：处理序列数据（如时间序列、自然语言），通过记忆机制关联前后信息。
• 应用：语言模型、机器翻译、语音识别。
• 结论：不适用于图像识别（非序列数据）。

B. CNN（卷积神经网络）

• 特点：通过卷积层提取图像局部特征，池化层降维，权值共享减少参数。
• 应用：图像分类、目标检测（如AlexNet、ResNet）。
• 结论：图像识别的核心模型。

C. SVM（支持向量机）

• 特点：通过最大化分类间隔实现线性或非线性分类。
• 应用：小样本、高维数据分类（如文本分类）。
• 结论：在深度学习兴起前曾用于简单图像分类，但非主流。

D. K-means

• 特点：无监督聚类算法，基于距离度量分组。
• 应用：客户分群、图像分割（如颜色聚类）。
• 结论：用于图像分割而非分类。