1. 网络结构
2. 网络亮点
可以通过堆叠多个
3
∗
3
3*3
3∗3的卷积核来代替大尺度卷积核（减少所需参数）
论文中提到，可通过堆叠两个
3
∗
3
3*3
3∗3的卷积核代替
5
∗
5
5*5
5∗5的卷积核，堆叠三个
3
∗
3
3*3
3∗3的卷积核替代
7
∗
7
7*7
7∗7的卷积核
3. CNN感受野
在卷积神经网络中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称作感受野。即输出feature map上的一个单元对应输入层上区域的大小
感受野计算公式：
F
(
i
)
=
(
F
(
i
+
1
)
−
1
)
∗
S
t
r
i
d
e
+
K
s
i
z
e
F(i)=(F(i+1)-1)*Stride+Ksize
F(i)=(F(i+1)−1)∗Stride+Ksize
F(i)为第i层感受野，Stride为第i层步距，Ksize为卷积核或池化核尺寸
论文中感受野的计算：（conv的stride=1，padding=1）
论文中，可通过堆叠两个
3
∗
3
3*3
3∗3的卷积核替代
5
∗
5
5*5
5∗5的卷积核，堆叠三个
3
∗
3
3*3
3∗3的卷积核替代
7
∗
7
7*7
7∗7的卷积核
使用
7
∗
7
7*7
7∗7的卷积核所需参数，与堆叠三个
3
∗
3
3*3
3∗3卷积核所需的参数（假设输入输出channel为C）
7
∗
7
∗
C
∗
C
=
49
C
2
7*7*C*C=49C^2
7∗7∗C∗C=49C2
3
∗
3
∗
C
∗
C
+
3
∗
3
∗
C
∗
C
+
3
∗
3
∗
C
∗
C
=
27
C
2
3*3*C*C+3*3*C*C+3*3*C*C=27C^2
3∗3∗C∗C+3∗3∗C∗C+3∗3∗C∗C=27C2
o
u
t
s
i
z
e
=
(
i
n
s
i
z
e
−
F
s
i
z
e
+
2
P
)
/
S
+
1
out_{size}=(in_{size}-F_{size}+2P)/S+1
outsize=(insize−Fsize+2P)/S+1
下一篇：使用pytorch搭建VGG网络
7156
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
