卷积神经网络是如何实现不变性特征提取的?
数据派THU
共 1722字,需浏览 4分钟
· 2021-05-23
来源:OpenCV学堂 本文约1400字,建议阅读5分钟
本文介绍了卷积神经网络在不变形特征下是如何提取的。
卷积层(convolution layers/detection layers);
池化层(pooling layers)。
卷积是一个线性操作,我们需要一个非线性组合,否则两个卷积卷积层还不如一个卷积层 两个相反方向的边缘不应该被取消 使图像梯度值更加的稀疏、有助于提高反向传播的效果
假设灰度输入图像,有两个filter,卷积层生成过程如下所示:
padding = “same” 意味着使用填充边缘的方式,输出大小与输入的feature map大小保持不变
padding = “valid”意味着不使用边缘填充,即P=0此时输出大小为:
下采样池化(均值池化)
最大值池化
在进行池化的时候我们如果选择步长=1进行池化,通过这样的池化方式输出的结果我们称为重叠池化输出,它不利于特征的稀疏生成,重叠窗口池化与均值池化都有这样的缺点,所以经常采样的是最大值池化,同时不会进行窗口重叠,有实验结果表明,在卷积层保持相同feature map与参数的情况下,最大值池化的结果明显优于重叠池化与均值池化,而且网络的深度越深,两者之间的准确度差异越大。
评论
GDSL通用数据结构库
GDSL(通用数据结构库)包含一组程序用于操作各种数据结构。这是一个可移植的库,完全由ANSIC编写。为C开发者提供强大的算法和隐藏的数据结构操作方法。目前支持的数据结构包括:lists,queues
GDSL通用数据结构库
0
DStruct数据结构模板库
DStruct是一个易于移植且结构简洁的数据结构模板库。特性易于移植,不依赖标准库(std)和其它三方库易于使用(数据结构和算法分离设计,统一接口,std标准库风格)易于学习/定制和改进(结构简洁且只
DStruct数据结构模板库
0