CNN局部连接的原因

最新推荐文章于 2023-10-11 13:38:53 发布
最新推荐文章于 2023-10-11 13:38:53 发布
阅读量2.4k 收藏 3
点赞数 4
文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_38621449/article/details/106008830
版权

局部连接的定义：每个神经元只与输入神经元的一部分区域进行连接。卷积网络中神经元只在空间维度上局部连接，在深度上是全部连接（在更高的层次上可以得到全部信息）。

作用：局部连接保证学习后的过滤器对局部的输入特征有最强的响应（当图像特征只与局部特征有关，可以使用局部连接），降低网络参数，增加网络训练速度。

当局部特征之间有较强的相关性，适合用全连接，在不同区域有不同的特征分布时，适合用局部连接(比如人脸识别，希望在不同的部分得到不同的特征提取，比如眼睛、嘴巴、鼻子…)

在这里插入图片描述

PS：网上有类似文章，自己总结了一下

略张
关注
cnn中的局部链接和权值共享
Jiashilin
09-27 2558
CNN中非常有特点的地方就在于它的局部连接和权值共享， 通过卷积操作实现局部连接，这个局部区域的大小就是滤波器filter，避免了全连接中参数过多造成无法计算的情况， 再通过参数共享来缩减实际参数的数量，为实现多层网络提供了可能。 卷积操作 在CNN中是利用卷积层进行特征提取的，图像的三个通道R(red)、G(green)、B(blue)，分别用不同的卷积核来进行卷积操作，说起卷积核这让我想...
深度学习（十五）卷积神经网络CNN（3）---局部连接
QuinnHanz的博客
06-03 9229
作用：降低参数数目，减少网络运算复杂度。 原理：一般认为人对外界的认知是从局部到全局的，而图像的空间联系也是局部的像素联系较为紧密，而距离较远的像素相关性则较弱。因而，每个神经元其实没有必要对全局图像进行感知，只需要对局部进行感知，然后在更高层将局部的信息综合起来就得到了全局的信息。网络部分连通的思想，也是受启发于生物学里面的视觉系统结构。视觉皮层的神经元就是局部接受信息...
卷积神经网络（CNN）特点之局部连接
qq_42212501的博客
12-04 5178
卷积神经网络（Convolutional Neural Network,CNN）具有四个特点：局部连接、权值共享、池化操作及多层结构。其局部连接是相对于多层感知机（Multilayer Perceptron,MLP）的全连接特点说的。所以要介绍局部连接，我们首先要先提一下多层感知机，之后再引入CNN局部连接的原理，及具体表现。多层感知机（Multilayer Perceptron,MLP）是由输入层、隐含层（一层或多层）及输出层构成的神经网络模型，可以解决单层感知器不能解决的线性不可分问题。下面是含有2个隐
记CNN-局部连接
qq_44355500的博客
11-13 1798
###为什么要使用CNN? 传统的网络在数据的处理上具有一个致命的缺点:可扩展性差。 在应对图像，视频数据的处理时，假设输入的大小是一个1000*1000*3的RGB图像，那么输入层是由3*106个神经元组成，假设(实际上也大致应该)隐藏层同样由3*106个神经元构成,那么对于全连接层的前馈网络来说，权重矩阵一共有3*106*3*106=9*1012个参数，而这还是没有计算后面更多的隐藏层的结果，...
CNN中的局部连接(Sparse Connectivity)和权值共享
weixin_34112030的博客
11-16 2402
局部连接与权值共享 下图是一个很经典的图示，左边是全连接，右边是局部连接。 对于一个1000 × 1000的输入图像而言，如果下一个隐藏层的神经元数目为10^6个，采用全连接则有1000 × 1000 × 10^6 = 10^12个权值参数，如此数目巨大的参数几乎难以训练；而采用局部连接，隐藏层的每个神经元仅与图像中10 × 10的局部图像相连接，那么...
Network:全连接CNN RNN
04-01
在神经网络领域，全连接CNN（卷积神经网络）与RNN（循环神经网络）是两种重要的模型，常用于图像处理和序列数据的分析。本文将深入探讨这两种网络的结构、工作原理以及如何使用Python进行实现。 首先，我们来看全...
CNN_BiLSTM_Attention模型，LSTM模型，DNN(全连接神经网络)三种模型对短期日负荷曲线的预测
04-13
首先，CNN（卷积神经网络）主要应用于图像处理领域，但其权值共享和局部连接的特性使其在序列数据处理上也有一定的优势。在短期日负荷预测中，CNN可以捕捉负荷时间序列的时空模式，通过滤波器学习到特征，然后通过...
李宏毅深度学习笔记（CNN）
gzhhappy的博客
12-16 3065
卷积神经网络（CNN） 为什么使用CNN？ CNN可以很好用于图像的处理，这主要基于两个假设： 图像中同样的特征片段可能出现在不同的位置。图像上不同小片段，以及不同图像上的小片段的特征是类似的，也就是说，我们能用同样的一组分类器来描述各种各样不同的图像 。 最底层特征都是局部性的，局部特征远小于图像本身。也就是说，我们用10x10这样大小的过滤器就能表示边缘等底层特征 对像素进行子采样不会改变图像 CNN架构 最典型的卷积网络，由卷积层、池化层、全连接层组成。其中卷积层与池化层配合，
14_CNN在图像上表现好的原因1
08-03
在图像识别中，关键特征如边缘、纹理和形状往往仅占据图像的一小部分，局部连接允许CNN专注于这些局部特征，而忽略大部分背景信息。 其次，卷积层引入了权重共享的概念。同一个卷积核在整个图像或特征图上滑动时，...
图片局部区域链接
程序员写的技术 FAQ 和杂文
09-18 1116
用图形热点工具:      '画圆   '画矩形    '画不规则图形
图片局部链接的写法
wenqingzzz的专栏
06-04 690
dreamweaver上图片属性不是有地图热点工具吗
深度学习之局部连接与权值共享
AI训练师中的点滴
09-10 2891
在网络中，如果全部使用全连接网络，则会使参数异常多，造成计算复杂，降低训练的效率。由此引入卷积层，卷积层能够有效减小训练参数，这与卷积具有的两个性质有关。 结合自身经历以及他人的疑问，对卷积神经网络有一个误解： 每个卷积核产生的feature map为一个神经元，正确的认知应该是每个神经元代表feature map的一个像素； **卷积层有两个比较重要的性质：** 1 局部连接 图1.全连接与卷积 图2.卷积示意图 如图所示，5×5为L层，3×3为L+1层，其中L+1层单元格值为6、10的两个格子，两
全连接、局部连接、全卷积与局部卷积学习笔记
jacke121的专栏
04-10 4226
大多数神经网络中高层网络通常会采用全连接层(Global Connected Layer)，通过多对多的连接方式对特征进行全局汇总，可以有效地提取全局信息。但是全连接的方式需要大量的参数，是神经网络中最占资源的部分之一，因此就需要由局部连接(Local Connected Layer)，仅在局部区域范围内产生神经元连接，能够有效地减少参数量。 根据卷积操作的作用范围可以分为全卷积(Global Convolution)和局部卷积(Local Convolution)。实际上这里所说的全卷积就是标准卷积，..
怎样理解“全连接”和“局部连接”
麦地与诗人
06-30 8000
这是看了张玉宏的《深度学习之美》做的笔记！这本书写得真的是接地气，通俗易懂，有趣生动！ 卷积层的全连接 在 CIFAR-10 训练集中，所有图片的大小都只有32x32x332x32x332x32x3，即32像 素宽， 32像素高， RGE：（红、 绿、蓝） 3 色通道。 对于计算机而言，每张图片都是一个32×32×332×32×332×32×3的数值矩阵。 按照全连接的前馈神经网络的处理模式，在输...
聊一聊CV中的局部连接与参数共享
qq_17614495的博客
07-09 614
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、局部连接是什么？二、参数共享是什么？三、为啥要进行这两个操作？四、为啥这两个操作可以work？五、一些额外的思考？ 前言 无意间思考了一下这个问题。为啥局部连接和参数共享在CNN中可以work？ 一、局部连接是什么？ 不多废话，一张图清晰明了的解释了啥是局部连接 二、参数共享是什么？ 上图中显然参数是不共享的。 这张图也清晰的解释了啥是参数共享。 三、为啥要进行这两个操作？ 两者的一个关键作用就是减少参数数量。 四、为
深度学习之卷积神经网络（CNN）
qq_45856698的博客
05-19 4132
学习深度学习中卷积神经网络（CNN）
卷积神经网络CNN入门
tyh751734196的博客
08-03 515
轮廓识别 一.基础概念 选择一个局部区域,用这个局部区域去扫描整张图片,连接局部区域所圈起的节点连接到下一个层的一个节点上、 1.全连接OS大数据宽依赖 (1)全连接 (2)宽依赖 2.局部连接 (1)局部连接 3.非线性映射 通过激活函数对输入值进行激活(过滤) 4.filter 一个[n,n…,n]（n>0）的矩阵框，用于图片扫描****及特征提取 示例: 第一副GIF中的红框就是(2*2) 5.高维输入 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-QwZl
学习笔记：深度学习（3）——卷积神经网络（CNN）理论篇
最新发布
qq_54146731的博客
10-11 316
CNN是一种带有卷积结构的前馈神经网络，卷积结构可以减少深层网络占用的内存量，其中三个关键操作——局部感受野权值共享池化层，有效的减少了网络的参数个数，缓解了模型的过拟合问题。卷积层和池化层一般会取若干个，采用卷积层和池化层交替设置，即一个卷积层连接一个池化层，池化层后再连接一个卷积层，依此类推。由于卷积层中输出特征图的每个神经元与其输入进行局部连接，并通过对应的连接权值与局部输入进行加权求和再加上偏置值，得到该神经元输入值，该过程等同于卷积过程，CNN也由此而得名1。
卷积神经网络的局部连接和权值共享
热门推荐
dulingwen的博客
10-17 6万+
卷积神经网络（CNN）是一种目前计算机视觉领域广泛使用的深度学习网络，与传统的人工神经网络结构不同，它包含有非常特殊的卷积层和降采样层（有些文章和书籍里又称之为池化层、汇合层），其中卷积层和前一层采用局部连接和权值共享的方式进行连接，从而大大降低了参数数量。降采样层可以大幅降低输入维度，从而降低网络复杂度，使网络具有更高的鲁棒性，同时能够有效的防止过拟合。由于以上设计，卷积网络主要用...
深度卷积网络CNN详解：参数减少与局部连接的应用
2. **WHAT**：CNN的特点在于其特有的架构，它采用了局部连接（local connectivity）和权值共享（weight sharing）的概念。局部连接意味着每个隐藏层神经元仅与输入的一小部分区域相连，而非全局，这显著降低了参数...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值