浅层的网络更关注于细节信息,高层的网络更关注于语义信息

浅层网络:一般感受野较小,能够利用更多的细粒度特征信息,而且此时特征图每个像素点对应的感受野重叠区域还很小,早就保证了网络能捕获更多细节。
深层网络:随着下采样或卷积次数增加,感受野逐渐增加,感受野之间的重叠区域也不断增加,此时的像素点代表的信息是一个区域的信息,获取的是这块区域或相邻区域之间的特征信息,相对不够细粒度。

一张图片,经过深层网络处理后图片就会模糊了,然而浅层网络处理则不会模糊。对于模糊图片,我们想看出来里面是什么,一般就是通过整体信息来推测,比如说:整体轮廓;然而对于高清图片,我可能只需要看图片某一部分就能知道是什么了。
在这里插入图片描述
上面这个图,我们也能看到:

  • 第一层,提取低层次的简单特征(边缘特征)
  • 第二层,将简单特征组合成复杂一点的特征(器官)
  • 第三层,将第二层的特征组合起来
    有些函数只有非常深层的神经网络能够学习,而一些浅层网络是无法学习的。
  • 3
    点赞
  • 34
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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