ZFNet:
- 基于AlexNet进行微调。主要改变:
- AlexNet用了两块GPU的稀疏连接结构,而ZFNet只用了一块GPU的稠密连接结构。
- 改变了AlexNet的第一层:把kernal-size从11*11变成7*7,步长从4变成2。
- TOP5错误率:11.2%
- 使用RELU激活函数和交叉熵损失函数
- 使用反卷积,可视化feature map。通过特征图可以看出,特征分层次体系结构。前面学习的是物理轮廓、边缘颜色、纹理等特征,后面学习的是和类别相关的抽象特征。越是高层次的特征,其用来做分类的性能越好。
- 通过与AlexNet对比,前面的层使用了更小的卷积核和更小的步长,保留了更多的特征。
- 通过遮挡,找出了决定图像类别的关键部位。通过实验说明,深度增加时,网络可以学习到更具区分的特征。
- 网络训练时,低层参数收敛快,越到高层,则越需要长的训练时间,才能收敛。
AlexNet创新点: