为什么使用卷积层替代CNN末尾的全连接层
来源:互联网 发布:grub2命令行启动linux 编辑:程序博客网 时间:2024/06/07 06:22
CNN网络的经典结构是: 输入层—>(卷积层+—>池化层?)+—>全连接层+
(其中+表示至少匹配1次,?表示匹配0次或1次)
全卷积神经网络Fully Convolutional Network (FCN)
全卷积神经网络即把CNN网络最后的全连接层替换为卷积层。为什么这么做?换句话说这样会带来什么好处呢?
首先,说一下卷积层和全连接层的区别:卷积层为局部连接;而全连接层则使用图像的全局信息。可以想象一下,最大的局部是不是就等于全局了?这首先说明全连接层使用卷积层来替代的可行性。
然后,究竟使用卷积层代替全连接层会带来什么好处呢?答案:可以让卷积网络在一张更大的输入图片上滑动,得到每个区域的输出(这样就突破了输入尺寸的限制)。论文里Fully Convolutional Networks for Semantic Segmentation介绍的很清楚,解读如下:
需要说明的是这一特性不仅可用于语义分割,在物体分类、目标检测中都可以使用。
参考:
How does the conversion of last layers of CNN from fully connected to fully convolutional allow it to process images of different size?
CS231n课程笔记翻译:卷积神经网络笔记
论文笔记–Fully Convolutional Networks for Semantic Segmentation
阅读全文
0 0
- 为什么使用卷积层替代CNN末尾的全连接层
- 为什么使用卷积层替代CNN末尾的全连接层
- Tensorflow CNN(两层卷积+全连接+softmax)
- 卷积层上的滑动窗口(将全连接层转化为卷积层)
- 如何得到卷积层输出的深度--CNN卷积层
- 使用RNN模拟CNN中每个卷积层的关系
- CNN中全连接层是什么样的?
- CNN中全连接层是什么样的?
- 深度学习---之卷积层与全连接层的区别
- 卷积神经网络——输入层、卷积层、激活函数、池化层、全连接层
- 卷积神经网络——输入层、卷积层、激活函数、池化层、全连接层
- CNN之卷积计算层
- cnn神经网络卷积层可视化
- CNN 卷积层和激活层
- CNN卷积层神经元数量、连接数量、权重数量的计算
- 卷积神经网络全连接层转换为卷积层获得heatmap
- 卷积神经网络全连接层转换为卷积层获得heatmap
- 卷积神经网络全连接层转换为卷积层获得heatmap
- 移动端实现1px边框
- MyBatis读书学习笔记(一)——配置
- NOIP2017赛前经验总结
- Aop
- java核心库——IO(一)
- 为什么使用卷积层替代CNN末尾的全连接层
- hdu-2602 Bone Collector(01背包)
- 方便快捷的实验室设备微信预约系统如何搭建?
- 6
- unity控制手机震动
- python:利用pandas进行绘图(总结)绘图格式
- 从今天(2017/11/02)开始,我的CSDN博客就正式开通了!
- CC26xx GPIO如何模拟各种总线。
- 腾讯地图获取距离