题目:
3.SegNet的编码器部分使用的是(A)中的前13层卷积网络,每个编码器层都对应一个解码器层。
AVGG16
BAlexNet
CGooglNet
DVGG19
题目解析
-SegNet:
- 发表于CVPR2015,编码器网络由13个卷积层组成,对应于VGG16的前13个卷积层
- 丢弃了VGG16的全连接层。将13个卷积层和5个池化层划分为5个编码器。
- 单个编码器的组成部分:
- 滤波器组
- BN层
- 非线性层:ReLU
- 最大池化层:2x2
-VGG16和VGG19:
- 区别在于网络深度不一样
- VGG16:
- 16个隐藏层
- 采用连续的3x3卷积替代AlexNet中的较大卷积核
(11x11,7x7,5x5)
- VGG19:
19个隐藏层
- VGG16:
-AlexNet:
- 输入为224x224x3的图像,也可填充为227x227x3
- 共包含5个卷积层(包含卷积核+偏置层+Relu激活函数+局部相应归一化LRN)+3个全连接层+Softmax输出层
- 首个真正意义上的深度卷积神经网络
- 局部响应归一化LRN:
- 计算每个特征图上每个位置,计算该位置周围像素的平方和
- 然后将当前位置的像素除以这个和
- 作用:抑制邻近神经元的响应,一定程度上避免过拟合,提高网络泛化能力
- 引入了数据增强+Dropout的技术:
- Dropout:在前向传播中,让某个神经元以p概率停止工作
-GooglNet:
- Dropout:在前向传播中,让某个神经元以p概率停止工作
- 引入了Inception结构,可以融合不同尺度的特征信息
- 降维功能:在部分分支增加了1x1的卷积层,减小深度,减少计算量
- 3个输出层,其中两个是辅助分类层