卷积神经网络各种组件意义以及经典网络知识点

过滤器大小 :堆叠两个3x3感受野相当于一个5x5,但是参数量前者少于后者；堆叠三个3x3感受野相当于一个7x7,参数量前者少于后者；

通道数：通道数越多，从某个特征图中提取的信息量越多，但是其参数量也越多，容易过拟合；

池化层：下采样层，压缩特征，减少参数量。提高模型的容错能力（泛化能力）。

由于池化操作，卷积神经网络具有invariance(不变性)，这种不变性包括translation(平移)，rotation(旋转)，scale(尺度)。这种性质对于分类来说比较好，但是同时也是使的cnn丢失了location信息。而且这种不变性比较弱（来源于池化）所以有了空间转移网络spatial transformer 网络

所以在做语义分析时要么融合浅层的特征图（因为浅层的特征图不但包含小物体，而且还包含位置信息。）要么在最后加入全局CRF。

FPN的好处：
由于池化的的存在越往深处信息丢失就越比较严重（这些信息包含细节信息和位置信息，而保留的往往是一些语义信息。FPN融合就很好的融合了这些信息

为什么CNN分类网络最后都要加几层全连接层做分类？
answer:卷积块，看的都是局部视野，而分类一张图片需要整张的图片信息进行判断。所以要添加全连接层，连接局部信息整合为整体信息，进行分类。CNN相当于眼睛提取特征，而全连接相当于大脑做出决策。

空洞卷积的好处：
FCN两个特点，池化和上采样。虽然池化能增大感受也，但是池化一定导致信息的丢失，空洞卷积能在不采用池化的情况下也增大了感受野
空洞卷积的缺点：
像素不连续，损失信息的连续性，提升大物体的分割效果，但是缺降低了小物体的分割效果。
空洞卷积的空洞率的定义是什么？
空洞卷积有一个参数可以设置dilation rate，具体含义就是在卷积核中填充dilation rate-1个0，

1x1卷积的作用：
1、实现跨通道的交互和信息整合
2、进行卷积核通道数的降维和升维
3、增加非线性映射
4、相当于全连接成

Xception架构和Inception V3相同的参数数量，主要是因为xception 加宽了网络宽度(主要增加了通道数)。所以Xception 被提出来不是为了压缩模型而是为了提升精度的。xception>inception v3。