关于深层卷积特征和浅层卷积特征的图像语义特征区别

一般来说，根据卷积层处于深度神经网络的不同位置，我们可以将卷积层大概分为深层网络层和浅层网络层。ResNet的提出让深度学习模型的深度大大提升，由于网络层次结构的不同，CNN可以捕捉到图像的的高级，中级和低级的语义特征，并且可以通过池化层将信息进行压缩。

接下来回归正题， 我们来理解一下深层卷积和浅层卷积所提取的特征的区别：

1. 浅层卷积层：由于浅层卷积层所提取的特征和输入层比较近，它包含更多的像素点信息，一些细粒度的信息：如图像的颜色，纹理，边缘等信息；由于浅层网络的感受野较小，感受野重叠的区域也比较小，所以可以保证网络捕捉到更多的图像细节；它的分辨率更高，包含更多位置和细节信息，但是噪声更多。

2.深层卷积层：深层卷积提取到的特征经过了非常多的卷积操作，它距离输出层更近，包含更多粗粒度和抽象的语义信息；它的感受野增加，图像信息进行了压缩，获取的是图像整体性的信息；它具有更像的语义信息，但是分辨率较低，对图像细节的感知能力差。

由于网络深度的不断增加，随着网络深度的上升，一些浅层卷积层学到的语义信息可能会被稀释或者丢失，这些信息在语义分割中尤为重要。为了找回不同网络层的语义特征，有很多模型提出了特征融合的方法，最经典的就是U-Net的skip connection，通过U型结构，使用concat连接不同层的语义特征。此外还有add，直接相加。