目录
1.卷积神经网络的应用领域
- 检测任务
- 分类与检索
- 超分辨率重构
- 人脸识别
2.卷积的作用
- 整体架构
- 卷积
首先把图像分成每个小区域，对于不同的区域得到的特征是不一样的，选择一种计算方法计算每一块小区域的特征值。
3.卷积特征值计算方法
-
图像颜色通道
每个通道分别进行计算，最终把每个通道卷积的结果加在一起。
-
卷积
找到一个立体区域，对于每一个区域进行特征提取，得到最终的一个特征值。
4.得到特征图表示
-
卷积计算的方法
首先，摆一下数据，分成一个个小区域，对于每一个小区域，从Filter核当中选择指定大小然后计算内积，把内积的计算结果分别计算好就可以了。
5.步长与卷积核大小对结果的影响
-
滑动窗口步长
能移动的窗口越多，得到的特征值越多，得到的特征图越大。当步长比较小的时候，相当于慢慢的提取特征，细粒度的提取特征，这样提取到的特征是比较丰富的。当步长比较大的时候，走得比较粗糙，滑动比较大，得到的特征比较少，没有那么丰富。
选择步长要根据实际任务来，一般对于图像来说，选择步长为1就可以了，但是有些任务跟图像是不太一样的，比如说有一些文本任务。
- 卷积核尺寸
选择3乘3得到一个结果，选择4乘4也是得到一个结果。相当于选择区域的大小以及最终得到的结果个数是不同的，卷积核越小，越是细粒度的提取。
一般情况下滑动窗口步长为1，卷积核尺寸最小为3*3
6.边缘填充方法
-
什么是边缘填充？
有些点对计算天生就有优势，越往边界的点被利用的次数越少，我们应该使得边界点被利用的更多一些。在最外圈加上一圈0，这样原本是边界的点就不是边界了，一定程度上弥补了边界信息缺失的问题。
7.特征图尺寸计算与参数分享
-
卷积结果计算公式
- 卷积参数共享
8.池化（压缩）层的作用
-
池化层
- 最大池化（筛选、压缩、过滤）
-
特征图变化
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
文章由极客之音整理，本文链接：https://www.bmabk.com/index.php/post/99503.html
