CNN网络学习（2）：ZFNet，OverFeat，FCN，FPN

CNN网络学习（2）：ZFNet，OverFeat，FCN，FPN

目录

CNN网络学习（2）：ZFNet，FCN，OverFeat

1、ZFNet（2013）：

2、OverFeat（2014）：

3、FCN（2015）：

3、FPN（2017）：

---

1、ZFNet（2013）：

ZFNet论文学习

详解深度学习之经典网络架构（三）：ZFNet

贡献：

① 在AlexNet基础上进行了一些细节的改动，网络结构上并没有太大的突破，采用一个GPU进行训练

② 提出一种可视化方法，使用解卷积和反池化（无法实现，只能近似）的近似对每一层进行可视化，发现学习到的特征间存在层次性，层数越深，特征不变性越强，类别的判别能力越强。通过可视化模型中间层，在alexnet基础上进一步提升了分类效果

③ 遮挡实验表明分类时模型和局部块的特征高度相关，模型的深度很关键，预训练模型可以在其他数据集上fine-tuning得到很好的结果

2、OverFeat（2014）：

深度学习（二十）基于Overfeat的图片分类、定位、检测

对 OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 一文的理解

快速版：

精确版：

贡献：

充分利用了卷积神经网络的特征提取功能，把分类过程中提取到的特征，同时又用于定位、检测等各种任务

3、FCN（2015）：

FCN的学习及理解（Fully Convolutional Networks for Semantic Segmentation）

全卷积网络 FCN 详解

贡献：

① 不含全连接层(fc)的全卷积(fully conv)网络，可适应任意尺寸输入

② 增大数据尺寸的反卷积(deconv)层，能够输出精细的结果

③ 结合不同深度层结果的跳级(skip)结构，同时确保鲁棒性和精确性

4、FPN（2017）：

FPN详解

贡献：

图像中存在不同尺寸的目标，而不同的目标具有不同的特征，利用浅层的特征就可以将简单的目标的区分开来，利用深层的特征可以将复杂的目标区分开来。构造特征金字塔将低层特征和深层特征进行融合，获得一个强语义信息，这样可以提高检测性能。