1【单选题】能够提取出图片边缘特征的网络是()。A. 卷积层B. 池化层C. 全连接层D. 输出层

考查要点：本题主要考查对深度学习中不同神经网络层功能的理解，特别是卷积神经网络（CNN）各层的作用区分。

解题核心思路：明确卷积层、池化层、全连接层和输出层在图像处理任务中的具体职责。关键点在于理解卷积层通过局部感受野和权值共享机制，能够提取图像的边缘、纹理等低级特征，而其他层主要负责降维、分类等后续任务。

选项分析

A. 卷积层
卷积层是CNN的核心组成部分，通过卷积核（滤镜）在输入图像上滑动，计算局部区域的特征。例如，特定的卷积核可以检测水平边缘、垂直边缘或纹理等。这是提取图像边缘特征的关键层。

B. 池化层
池化层（如最大池化、平均池化）主要用于下采样，减少特征图的尺寸，降低计算复杂度，并增强模型的平移不变性。它不直接提取新特征，而是对已有特征进行压缩。

C. 全连接层
全连接层通常位于网络末尾，将前面提取的特征向量连接起来，用于分类决策。它处理的是高阶抽象特征，而非原始图像的边缘信息。

D. 输出层
输出层（如softmax层）负责最终的分类结果输出，与特征提取无关。