卷积层上的滑动窗口(将全连接层转化为卷积层)
来源:互联网 发布:量子网络代替互联网 编辑:程序博客网 时间:2024/06/05 22:34
全连接层转化为卷积层
一、FC网络
在有全连接层的网络中,第一个FC是将上一层5*5*16的多维数据拉成一行,转化为1*1*400,在通过一个变换矩阵,变成第二个FC,然后经过softmax输出预测结果。
二、全卷积网络
在全卷积网络中,我们通过卷积替换掉全连接,具体做法是:
1.在第一个FC处,使用400个5*5*16的卷积核对上一层layer进行处理,得到的输出是1*1*400。这样,输出中每一个值都包含了一个5*5*16的卷积核。
2.在第二个FC处,使用400个1*1*400的卷积核对上一层的输出1*1*400进行处理,得到的还是1*1*400。
3.对应于softmax输出,这里依然用1*1卷积进行输出,n个1*1*400的卷积核
图一 上面的网络有全连接层,下面的网络只有卷积层
三、目的
全卷积网络核FC网络的参数量没有改变,和FC网络一样多,,,主要是为了在卷积层上实现滑动窗口,减少重复卷积的计算,,在目标检测中很有用。
因为FC网络在全连接层上改变了原先矩阵的结构,无法对应于一个个滑动窗口。
图二 卷积网络中的华东窗口以及其对应的卷积结果
阅读全文
0 0
- 卷积层上的滑动窗口(将全连接层转化为卷积层)
- 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
- 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
- net_surgery中如何将全连接层转换成卷积层
- net_surgery中如何将全连接层转换成卷积层
- 3用于MNIST的卷积神经网络-3.10为非线性全连接层添加正则化损失
- 卷积层
- 卷积层
- 卷积层
- 卷积层的实现
- 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
- 深度学习---之卷积层与全连接层的区别
- Tensorflow CNN(两层卷积+全连接+softmax)
- 卷积神经网络的卷积层和池化层
- 转载:Greenplum负载管理之Resource Queue
- 元器件
- 机器学习-决策树算法代码详解
- 循环队列的顺序存储实现
- JavaScript中innerText和innerHTML的区别
- 卷积层上的滑动窗口(将全连接层转化为卷积层)
- 【蓝桥杯】【等额本金】
- es6笔记·····变量的解构赋值
- 对话框(1)
- fiddler进行弱网测试
- PHP面向对象(常用)
- java的native方法
- python之字符串格式化(format)
- 11.20第13节课