caffe学习笔记31-理解全连接层
来源:互联网 发布:python sorted key 编辑:程序博客网 时间:2024/06/07 17:23
理解全连接层:
连接层实际就是卷积核大小为上层特征大小的卷积运算,卷积后的结果为一个节点,就对应全连接层的一个点。(理解)假设最后一个卷积层的输出为7×7×512,连接此卷积层的全连接层为1×1×4096。
如果将这个全连接层转化为卷积层:
1.共有4096组滤波器
2.每组滤波器含有512个卷积核
3.每个卷积核的大小为7×7
4.则输出为1×1×4096
由于每个滤波核的大小和上一层的feature map大小一样,保证了转换后的卷积层的运算结果和全连接层是一样的
若后面再连接一个1×1×4096全连接层。则其对应的转换后的卷积层的参数为:1.共有4096组滤波器
2.每组滤波器含有4096个卷积核
3.每个卷积核的大小为1×1
4.则输出为1×1×4096
-----------------------------------------------------------------------------------------------------------------------
而全连接层的坏处就在于其会破坏图像的空间结构,因此人们便开始用卷积层来“代替”全连接层,通常采用1×1的卷积核,这种不包含全连接的CNN成为全卷积神经网络(FCN),FCN最初是用于图像分割任务,之后开始在计算机视觉领域的各种问题上得到应用,事实上,Faster R-CNN中用来生成候选窗口的CNN就是一个FCN。FCN的特点就在于输入和输出都是二维的图像,并且输入和输出具有相对应的空间结构,在这种情况下,我们可以将FCN的输出看作是一张热度图,用热度来指示待检测的目标的位置和覆盖的区域。在目标所处的区域内显示较高的热度,而在背景区域显示较低的热度,这也可以看成是对图像上的每一个像素点都进行了分类,这个点是否位于待检测的目标上。
3 0
- caffe学习笔记31-理解全连接层
- DL学习笔记【9】caffe参数调节-全连接层
- caffe源码 全连接层
- caffe之(四)全连接层
- Caffe源码阅读(1) 全连接层
- caffe全连接层原理解读
- Caffe源码阅读(1) 全连接层
- 深度学习笔记6:全连接层的实现
- 深度学习笔记6:全连接层的实现
- 深度学习笔记6:全连接层的实现
- caffe学习记录--6--全链接层
- 对于全连接层的理解
- 对全连接层的深入理解
- caffe全连接层(INNER_PRODUCT)源码注释与分析
- Caffe 代码解读之全连接层 inner product layer
- Caffe 代码解读之全连接层concat layer
- Caffe框架源码剖析(7)—全连接层InnerProductLayer
- caffe基础-05全连接层的配置
- wamp80端口无法启动问题解决思路
- Boostrap-栅格系统
- Spring Boot RabbitMQ快速入门 (1)
- Mysql数据库管理
- 10. Regular Expression Matching
- caffe学习笔记31-理解全连接层
- Spring Boot RabbitMQ快速入门 (2)
- C语言字符串切割函数strtok_s()
- 资源管理器
- POJ 2387 Til the Cows Come Home(Dijkstra,重边)
- linux经验之谈
- H5新标签 <figcaption> 定义图文并茂的html5新标签-figure、figcaption
- [CLI]svn
- gunicorn分析 基于 tag0.2