4-1 计算机视觉-卷积神经网络

沉睡的小卡比兽

已于 2022-02-27 21:32:41 修改

阅读量1.5k

点赞数

分类专栏： AI基础知识文章标签：卷积神经网络参数共享感受野计算量池化层

于 2022-02-14 21:33:27 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/chen10314/article/details/122932500

版权

AI基础知识专栏收录该内容

26 篇文章

订阅专栏

本文探讨了CNN中图像尺寸变化对参数数量的影响，指出尺寸变化不影响参数量，因参数共享减少了模型复杂性。此外，解释了卷积层的感受野概念及其计算方式，并详细阐述了卷积层的参数量和计算量的计算方法。最后，讨论了池化层在特征提取和模型简化中的作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 当图像尺寸变为 2 倍，CNN 的参数数量变为几倍？为什么？
2. CNN共享参数有什么优点?
3. 卷积层的感受野指的是什么，如何计算？
4. 卷积层的参数量和计算量该如何计算，请举例说明
5. pooling层的作用是什么？

1. 当图像尺寸变为 2 倍，CNN 的参数数量变为几倍？为什么？

CNN的参数量不变，局部感知参数定义个图像输入无关

2. CNN共享参数有什么优点?

相比于全连接网络，减少参数量，平移不变性

3. 卷积层的感受野指的是什么，如何计算？

特征图上的点所影响原图像的像素区域，通过卷积核size、pad、stride等数值换算。

假设原始输入图像为 $L_{w}*L_{h}$ ，网络第i层e方向的感受野大小为 $R_{e}^{i}$ ，其中e $\epsilon$ {w,h}分别代表横向（宽）和纵向（高）两个方向的感受范围

1、如果第i层为卷积层（CNN）或池化层（pooling）那么：

$R_{e}^{i} = min(R_{e}^{i-1} +(k_{e}^{i-1} -1) \prod_{j=0}^{j-1}S_{e}^{j},L_{e} )$

其中 $k_{e}^{i}$ 为第i层卷积核/池化核的尺寸， $s_{e}^{i}$ 是第j层的滑动步长。

2、激活层和批归一化层不改变感受野

3、全连接层感受野就是整个图像

4. 卷积层的参数量和计算量该如何计算，请举例说明

参数量：每个卷积核的参数量kw*kh + 1，+1为偏置参数可以为0、特征通道数c，这里输入通道数为ci，输出通道数为co，参数量为ci*co*kw*kh

计算量：参数量*在feature map上的滑动次数，ci*co*kw*kh*Nw*Nh，横向滑动Nw次纵向滑动Nh次

5. pooling层的作用是什么？

从特征图中，采样特征，如maxpooling、average pooling等方式。不增加计算量的基础上，增加了感受野，关注特征图中更需要关注的特征。

在一些图像分类、检测、分割任务中在最后的feature map和全连接之间加上，AdaptiveAveragePool、AdaptiveMaxPool，为了适应输入变化后，同一feature map尺寸对接固定的全连接层

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。