- 感受野
每一个神经元所能够反映的那块感受器的区域就称之为“感受野”,感受野即每一个神经元所支配的区域,也可以说这个神经元的活动受到那一块区域的影响。同理,卷积神经网络每一层输出的特征图(feature map)上的像素点在原始图像上映射的区域大小,就是图像的最终输出的每一个特征(每一个像素)到底受到原始图像哪一部分的影响。 - padding
对输入图像进行padding–填充像素,增加图像采集区域的外围一圈或多圈,这样卷积核采集信息时,就会对边缘信息的处理不止处理一次,对边缘信息的提取更加充分 - depth
深度即神经元个数 - pooling
Average pooling 平均池化:可以提取背景信息,每个区域不取最大值,而取平均值(可以不是整数)。通常用于末端卷积;
max-pooling 最大池化:取最大值作为输出层对应区域的值可以提取特征纹理,不会受背景信息影响。最大池化很少用padding(p=0)只是计算神经网络某一层的静态属性。通常用于前端卷积;
最大池化和最小池化解空间一样,但这仅仅针对中心对称的函数,如sigmoid、tanh、linear等等,如果是ReLU等,最小池化让神经网络轻易过拟合甚至无法训练(因为你的网络池化层的输出结果大面积被0占据,偏置量很容易成为了控制输出的主力)。
卷积神经网络学习笔记
最新推荐文章于 2024-09-29 14:55:41 发布