In machine learning CNNs are a class of deep feed-forward neural networks designed and trainedto extract hierarchical high-level features from inputs using multiple convolutional layers 26 31 Thanks

在机器学习中，卷积神经网络（CNNs）是一类设计和训练用于从输入中提取层次化高级特征的深度前馈神经网络[26，31]。由于使用了卷积操作，CNNs的连接和参数比类似大小的标准前馈网络少。一方面，这大大减少了训练时间，另一方面，它也实际上显著提高了模型的准确性[30]。 经典的CNN由一个或多个卷积层、一个子采样（或称为池化）层和一个或多个全连接（或称为稠密）层组成，用于生成预测。CNN中的前置卷积层旨在提取低级特征。通过增加卷积层的数量，可以自动提取更复杂的高级特征。池化层从前一层中抽象出原始特征，减少训练参数，并防止模型过拟合。 反卷积是CNN模型中经常在某些使用场景中使用的另一种操作，例如无监督学习[32]、CNN可视化[33]以及图像分割和重建[34，35]。由于反卷积也是一个卷积操作，其中转换是在正常卷积的相反方向上应用的，从数学上讲，卷积可以表示为矩阵乘法，而反卷积则是表示为与转置滤波器矩阵相乘的反向空间变换[36]。因此，深度学习中的反卷积实际上是指转置卷积或反向卷积。 最初，CNNs被应用于图像分类和识别任务中提取高级特征。最终，它们的应用领域扩展到了图像超分辨率和数据融合领域，其中输入和输出之间存在直接映射[24，37]。目前，CNN在图像融合方面的应用正在积极探索中。例如，成功地使用了深度CNN模型来合并以不同焦距设置拍摄的同一场景的图像，以获得更清晰的图像[24]。通过使用基于CNN的模型，增加了全色和多光谱图像融合的泛光增强方法的准确性[38，39]。此外，CNN模型还被用于多光谱和光探测与测距（LiDAR）数据的融合[40]。然而，就时空数据融合问题而言，据我们所知，此类研究尚未广泛进行。