卷积神经网络之“浅层特征”与“深层特征”
由于层次结构和过滤器大小的不同,CNN 可以捕捉高级、中级甚至低级的特征。还可以通过池化机制将信息压缩成一个较小的尺寸。
CNN 模型优势:可以捕捉特征不用考虑位置。是处理图像数据,特别是"特征提取"的理想类型。
1.图像浅层特征
1.浅层特征:浅层网络提取的特征和输入比较近,包含更多的像素点的信息,一些细粒度的信息是图像的一些颜色、纹理、边缘、棱角信息。
2.原理:浅层网络感受野较小,感受野重叠区域也较小,所以保证网络捕获更多细节。
3.优缺点:分辨率更高,包含更多位置、细节信息,但是由于经过的卷积更少,其语义性更低,噪声更多。
2.图像深层特征
1.高层信息:深层网络提取的特征离输出较近,一些粗粒度的信息,包含是更抽象的信息,即语义信息
2.原理:感受野增加,感受野之间重叠区域增加,图像信息进行压缩,获取的是图像整体性的一些信息
3.优缺点:具有更强的语义信息,但是分辨率很低,对细节的感知能力较差。
3.特征融合
1.早融合
1.早融合(Early fusion): 先融合多层的特征,然后在融合后的特征上训练预测器(只在完全融合之后,才统一进行检测)。这类方法也被称为skip connection,即采用concat、add操作。这一思路的代表是Inside-Outside Net(ION)和HyperNet。
2.两个经典的特征融合方法:
(1)concat:系列特征融合,直接将两个特征进行连接。两个输入特征x和y的维数若为p和q,输出特征z的维数为p+q;
(2)add:并行策略,将这两个特征向量组合成复向量,对于输入特征x和y,z = x + iy,其中i是虚数单位。
2.晚融合
1.晚融合(Late fusion):通过结合不同层的检测结果改进检测性能(尚未完成最终的融合之前,在部分融合的层上就开始进行检测,会有多层的检测,最终将多个检测结果进行融合)。
2.这类研究思路的代表有两种:
(1)feature不融合,多尺度的feture分别进行预测,然后对预测结果进行综合,如Single Shot MultiBox Detector (SSD) , Multi-scale CNN(MS-CNN)
(2)feature进行金字塔融合,融合后进行预测,如Feature Pyramid Network(FPN)等。
卷积神经网络之“浅层特征”与“深层特征”相关推荐
- 卷积神经网络—全连接层
卷积神经网络-全连接层 全连接层 全连接层与卷积层 全连接层与GAP(全局平均池化层) [1] https://blog.csdn.net/Touch_Dream/article/details/79 ...
- python中复制、浅层拷贝、深层拷贝的区别
python中复制.浅层拷贝.深层拷贝的区别 一.学习要点: 1.python中的复制与拷贝的区别 2.python中浅层拷贝与深层拷贝的区别 二.代码: import copy a=[1,2,3,4 ...
- 浅层学习与深层学习_深层副本与浅层副本-以及如何在Swift中使用它们
浅层学习与深层学习 by Payal Gupta 通过Payal Gupta 深层副本与浅层副本-以及如何在Swift中使用它们 (Deep copy vs. shallow copy - and h ...
- 深度学习与神经网络关系(BP网络【浅层】与深层网络)
文章目录 Deep Learning的基本思想 浅层学习(Shallow Learning)和深度学习(Deep Learning) 浅层学习是机器学习的第一次浪潮. 深度学习是机器学习的第二次浪潮. ...
- 卷积神经网络 全连接层(稠密层)是什么?(全连接层就是每一个结点都与上一层的所有结点相连的网络层)
对 n-1 层和 n 层而言,n-1 层的任意一个节点,都和第 n 层所有节点有连接(即第n层节点都和第n-1层节点相连接).即第n层的每个节点在进行计算的时候,激活函数的输入是n-1层所有节点的加权 ...
- 卷积神经网络——池化层学习——最大池化
池化层(Pooling layers) 除了卷积层,卷积网络也经常使用池化层来缩减模型的大小,提高计算速度,同时提高所提取特征的鲁棒性,我们来看一下. 先举一个池化层的例子,然后我们再讨论池化层的必要 ...
- 卷积神经网络及图像处理中共享权重、特征映射等理解
一,前言 卷积神经网络(Constitutional Neural Networks, CNN)是在多层神经网络的基础上发展起来的针对图像分类和识别而特别设计的一种深度学习方法.先回顾一下多层神经网络 ...
- 卷积神经网络CNN-全连接层
全连接层(Fully Connected layer,FC) 全连接层在整个卷积神经网络中起到了分类器的作用.如果说卷积层.池化层和激活函数等操作是将原始数据映射到隐层特征空间的话,全连接层则是起到了 ...
- 卷积神经网络CNN各层基本知识
卷积神经网络 卷积神经网络(CNN)由输入层.卷积层.激活函数.池化层以及全连接层构成. INPUT(输入层)-CONV(卷积层)-RELU(激活函数)-POOL(池化层)-FC(全连接层) 简单来说 ...
- 卷积神经网络:汇聚层
汇聚层(Pooling Layer)是卷积神经网络(CNN)中的一种常用操作,其作用是对卷积层输出的特征图进行下采样(缩小特征图大小),从而减少计算量和参数数量,同时提取更为重要的特征. 本文将介绍汇 ...
最新文章
- 大数据落地决胜的关键——百分点BASIC模型
- 公司承担的国家发改委高技术产业化示范工程
- TinyXML保存UTF-8编码的XML
- 问题 G: 区间权值
- 自定义关键字_Java中的自定义异常
- 模型开发:拥抱张量运算
- 期待已久的Java 9 今日正式发布,新特性解读
- 【2022最新Java面试宝典】—— Java基础知识面试题(91道含答案)
- C#中Panel控件的使用
- odb访问mysql数据库(odb的简单用法1)
- 共模电压和差模电压两种理解方式
- 6翻了 (15 分)
- pg数据库插件timescale时序库使用记录
- Android 真正的3D Gallery
- 相关-21. 卷积的示意图(普通卷积,多通道卷积等)及Featur Map可视化
- ELK 日志分析平台 —— Logstash
- 自行车LED灯导航仪推出 配自行车专用地图
- Pandas使用技巧-apply,条件筛选
- CSP202012-5 星际旅行(满分代码)
- 轻量级单片机命令行交互项目,全部开源
热门文章
- 使用快捷指令高德导航(高德地图)
- 计算机网络由两部分组成包括通信子网和,计算机网络由两部分组成,包括通信子网和___A.计算机子网 B.资源......
- 数字系统设计中形式验证
- 云之家:SaaS协同市场的“隐形冠军”
- wps中有公式如何调整间距
- 语言模型(language model)
- codeforce 741 B. Arpa's weak amphitheater and Mehrdad's valuable Hoses(背包 dp)
- Excel单元格引用
- python爬虫爬网页源码保存到本地_python爬虫网页图片并保存到本地
- python 前缀和总结