CNN的模式识别功能是否仅限于图像处理？

卷积神经网络能否用于没有图像的问题域中的模式识别，例如通过图形表示抽象数据？效率总是会降低吗？

这位开发人员说，当前的开发可以走得更远，但是如果图像识别之外没有限制的话，那就没有了。

卷积网（CNN）依赖于数学卷积（例如2D或3D卷积），通常用于信号处理。图像是信号的一种，并且卷积可以等效地用于声音，振动等。因此，原则上，CNN可以找到适用于任何信号的信号，甚至可能更多。

实际上，已经有关于NLP的工作（如Matthew Graves所提到的那样），其中一些人使用CNN而不是递归网络来处理文本。其他一些作品也适用于声音处理（此处没有参考，但我尚未发表未发表的作品）。

原始内容：回答了原来的标题问题，该问题现已更改。也许需要删除这一条。

对敌对网络（及相关网络）的研究表明，即使是深层网络也很容易被愚弄，当人们看着它时，甚至会发现它们似乎是随机噪声，从而使它们看到了一只狗（或任何物体）（本文有明确的例子）。

另一个问题是神经网络的泛化能力。卷积网络以比其他技术更好的泛化方式的能力震惊了整个世界。但是，如果网络仅被喂食了猫的图像，则它将仅识别猫（并且可能会根据对抗性网络结果在任何地方看到猫）。换句话说，即使是CN，也很难将其推广到远远超出他们所学的范围。

识别极限很难精确定义。我只想简单地说，学习数据的多样性推动了局限性（我认为进一步的细节应该导致更适当的讨论场所）。

简单的答案是“不，它们不仅限于图像”：CNN也被用于自然语言处理。（请参阅此处进行介绍。）

我还没有看到它们应用于图形数据，但是我没有看到。有一些明显的尝试可以尝试，因此我很乐观。

通过预测分子与生物蛋白质^Wiki之间的相互作用，卷积神经网络不仅可以应用于图像识别，还可以用于视频分析和识别，自然语言处理，游戏（例如Go）或什至是药物发现。

因此，通过使用卷积层和子采样层连接到更完全连接的层，可以将其用于各种问题。它们比具有相同数量隐藏单元的完全连接网络具有更少的参数，因此更易于训练。^{超低密度脂蛋白}

卷积神经网络可以在模式局部相关且可翻译（可移动）的任何地方使用。之所以如此，是因为CNN包含用于在输入中到处寻找某些局部模式的过滤器。您将在图片，文本，时间序列等中找到本地和可翻译的模式。

如果您的数据更像是一堆无关紧要的功能，那么使用CNN并没有多大意义。在这种情况下，您可能无法检测出包含特征的模式，这些特征恰好在输入向量中距离较远。如果可以在不丢失信息的情况下重新排列输入向量的数据点，则在数据中将找不到本地和可翻译的模式。