为什么目标检测中要将全连接层转化为卷积层？

最新推荐文章于 2022-08-05 18:05:47 发布
最新推荐文章于 2022-08-05 18:05:47 发布
阅读量2.4k 收藏
点赞数
分类专栏： 其他02
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_39782583/article/details/83716848
版权

参考文章：

VGG网络中测试时为什么全链接层改成卷积层
为什么使用卷积层替代CNN末尾的全连接层

首先看一下卷积层的特点：
局部连接：提取数据局部特征，比如卷积核的感受野
权值共享：一个卷积核只需提取一个特征，降低了网络训练的难度

究竟使用卷积层代替全连接层会带来什么好处呢？
答：全连接层的权重是不变的，所以输入的图片大小不能变。而卷积层可以让卷积网络在一张更大的输入图片上滑动，得到每个区域的输出，这样就突破了输入尺寸的限制，就获得了目标的位置信息。可以高效地对测试图像做滑动窗式的预测.
可以高效的检测多个目标和给出位置信息。
在这里插入图片描述

这一特性不仅可用于语义分割，在物体分类、目标检测中都可以使用

馬冬梅啊
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
VGG网络中测试时为什么全链接层改成卷积层
晓峰博客笔记
03-27 9537
首先需要理解的是改fc层为conv层实际上的计算方式没有发生任何变化。但是其结果全卷积网络可以接收任意大小的图片输入，得到一个score map，对其做一个average就可以得到最终结果(one-hot label)。之所以需要这样设计，因为他们train与test的图片大小是不一样的。    卷积层和全连接层的唯一区别在于卷积层的神经元对输入是局部连接的,并且同一个通道(channel)内不同...
目标检测 pytorch复现Yolo v1目标检测项目
05-17
Yolo v1是由Joseph Redmon等人在2015年提出的一种实时目标检测系统，其核心思想是将目标检测任务转化为一个回归问题，直接预测边界框坐标和类别概率，从而大大提高了检测速度。 首先，我们要理解Yolo v1的基本架构...
理解为什么要将全连接层转化为卷积层
weixin_34315485的博客
07-23 583
理解为什么要将全连接层转化为卷积层 1.全连接层可以视作一种特殊的卷积 考虑下面两种情况： 特征图和全连接层相连，AlexNet经过五次池化后得到7*7*512的特征图，下一层全连接连向4096个神经元，这个过程可以看做有4096个7*7*512的卷积核和7*7*512的特征图进行卷积操作，最终得到1*1*4096的特征图，等价与全连接得到4096个神经元。 全连接层和全连接层相连，AlexNe...
为什么将全连接层替换为卷积层？
学习 & 分享 ~
04-24 7487
卷积层的特点：稀疏连接，权值共享 全连接层的特点：每个神经元都和上一层的所有神经元相连接两者的共同点：都是由上一层的输出与参数矩阵相乘从而得到下一层的输入所以我们得以得到结论，全连接层和卷积层实际上是可以相互转换的。举个例子： 最后一个卷积层的输出为 7*7*512，即每个 feature map 的大小为 7*7，共有 512 个 feature map，然后通过一个全连接层得到了 1*1*4096 的输出，如下图所示： 将全连接层转换为卷积层的关键就在卷积核参数的设置上，仍然用上面的例子：当这组卷积核作
从全连接层到卷积
YUNFanZ的博客
02-03 409
文章目录从全连接层到卷积计算机视觉的神经网络架构小结 从全连接层到卷积 多层感知机十分适合处理表格数据，其中行对应样本，列对应特征，然而对于高维感知数据，这种缺少结构的网络可能会变得不实用。 如今人类和机器都能很好地区分猫和狗：这是因为图像中本就拥有丰富的结构，而这些结构可以被人类和机器学习模型使用。 卷积神经网络（convolutional neural networks，CNN）是机器学习利用自然图像中一些已知结构的创造性方法。 计算机视觉的神经网络架构 平移不变性（translation inv
全连接层转换为卷积层
越努力，越幸运
11-26 781
示意图
种效且准确的目标检测算法YOLO种效且准确的目标检测算法YOLO
05-05
yolo 文章题目：YOLO：一种效且准确的目标检测算法 导语：在计算机视觉领域，目标检测是一个重要的。YOLO（You Only Look Once）是一种流行...同时，YOLO使用了Darknet网络架构，将卷积层和全连接层结合，使得网络可以
S4P3 目标检测1
08-04
为了解决这个问题，研究人员提出了将全连接层转化为卷积层的策略，如在2014年提出的卷积神经网络（CNN）结构。例如，通过使用滑动窗口的卷积实现，可以显著减少计算量，但仍存在定位精度不高的问题。 YOLO（You ...
基于YoloV5的目标检测 用 Rust 从头开始编写仅限 STD
最新发布
05-20
在Rust中实现YoloV5，首先需要理解YoloV5的网络架构，包括其卷积层、池化层、全连接层等，并将它们转化为Rust代码。这涉及理解张量运算、梯度计算以及反向传播算法。此外，还需要实现加载和解析模型权重，以及处理...
基于深度学习卷积神经网络汽车目标检测功能实现(MATLAB)
03-11
一种常见的目标检测方法是YOLO（You Only Look Once），它将检测问题转化为在单个神经网络中进行分类和定位。另一种是Faster R-CNN，它引入了区域提议网络（RPN）来生成候选框，再通过分类网络进行判断。 四、模型...
全连接层替换为卷积层
ARYAD的博客
08-09 2380
卷积和全连接 卷积层的特点：稀疏连接，权值共享 全连接层的特点：每个神经元都和上一层的所有神经元相连接 两者的共同点：都是由上一层的输出与参数矩阵相乘从而得到下一层的输入 所以我们得以得到结论，全连接层和卷积层实际上是可以相互转换的。 举个例子： 最后一个卷积层的输出为 77512，即每个 feature map 的大小为 77，共有 512 个 feature map，然后通过一个全连接层得到了 11*4096 的输出，如下图所示： 全连接到卷积 将全连接层转换为卷积层的关键就在卷积核参数的设置上，仍然
全连接层转化为卷积层
写个翻译的博客
07-23 685
原文链接：https://zhuanlan.zhihu.com/p/82739829 侵权请联系博主删除 全连接和卷积的关系 全连接层和卷积层只要设置好了对应的参数，可以在达到相同输入输出的效果，在这个意义上，在数学上可以认为它们是可以相互替换的。 下面我们以输入10 x 10 x 3的特征图，输出10 x 10 x 1的特征图来证明。 全连接层是一种核很大的卷积层 全连接层怎么做？全连接层输入10 x 10 x 3的特征图，首先将其reshape成一维的300个输入神经元，然后每个输出神经元的值都是这30
为什么要把全连接层转换成卷积层
Du_Shuang的博客
03-06 1218
转载于： https://blog.csdn.net/u010548772/article/details/78582250 https://blog.csdn.net/lanmengyiyu/article/details/80719373 推荐两个链接。
目标检测笔记
qq_43252908的博客
10-28 771
目标检测：主要指在图片中对可变数量的目标进行查找和分类 a ：图像分类 只需指出所属的类别 b：目标检测，还要定位目标出现的位置，表示为一个矩形框 目标分割，找到当前目标所占的区域 c ：语义分割，除去背景区域，只要找到同一类物体所占区域即可，具体位置精确到像素级别 d：实例分割，不仅区分语义层面的目标，对同一类别的目标，也要划分出不同实例 检测：主要定位物体位置，位置信息表示为一个矩形框，可通...
第7篇 Fast AI深度学习课程——卷积神经网络的实现与改进
suredied的博客
08-17 1486
本节将基于CIFAR-10数据，阐述卷积神经网络的构建过程。之所以选择CIFAR-10数据，是因为其数据集很小，而且其中的图片也很小，方便开发阶段的快捷测试。...
【深度学习】CNN原理和全卷积
littlemichelle
03-10 2901
CNN原理、介绍一下CNN？ 【深度学习系列】卷积神经网络CNN原理详解(一)——基本原理 卷积神经网络CNN总结 CNN总结 为什么要将全连接替换成全卷积？替换成全卷积的好处是什么？ 网络一大堆啰里啰嗦的。。。 首先明确一点，全连接是一种特殊的卷积层，只要将卷积核尺寸同输入w*h保持相同，channel个数同全连接的neural个数。 第一点好处：加速前向传播速度，因为卷积核在...
卷积层(FCN)替换全连接层(FC)的意义
热门推荐
帅的发光发亮的博客
05-07 2万+
1.卷积层替换全连接层的可行性： 卷积层是局部连接，它的特点是稀疏连接和权值共享；而全连接层使用了图像的全局信息，每个神经元都与上一层的所有神经元相连接。 “最大的局部”和“全局”这两个概念其实是等价的，因此卷积层替换全连接层是可行的。 2.全连接层到卷积层的转换： 下图显示了AlexNet卷积化的过程，假设执行特征提取的卷积层的最后一层输出为256×7×7，得到后面的4096个神经元；那么改为用7×7的卷积核对该256×7×7的输出特征图做卷积，也可以获得4096×1×1的向量。由于卷积核大小和输入的特征
目标检测——卷积神经网路基础知识
qq_45720073的博客
08-05 1314
目标检测——卷积神经网路基础知识
全连接层通常连接在最后一个池化层之后,将提取到的特征进行汇总,为特征输入softma
09-17
全连接层与之前的卷积层和池化层不同，它的每个神经元都与上一层的所有神经元相连，这样就可以实现对特征的全局感知和综合。全连接层的神经元可以看作是特征的权重，通过对特征的加权求和得到输出。这样做可以更好地...
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