featuremap特征值越大越重要。
可以画热度图看重点关注那个区域。
步长小一点好。
padding边缘填充把边界点变为非边界点,这样提取的特征更多。位置上相对中间的部分计算次数多。
因为卷积核一般取3*3,所以padding一般为1,2,不要超过3。
卷积核个数多一点好,得到更多特征图。通常64/128。
11卷积代替全连接:效果差不多,全连接考虑每个像素点,11卷积也一样的,操作类似。
卷积核就相当于神经网络里面的参数w,卷积核直接没什么关系,各处理各的特征。(三个探子去打探信息,最后我得到三条信息,再将这三条信息进行汇总)
很多时候做完卷积要保持图片大小不变。
卷积的参数和输入图片的大小无关,因为是权重共享的。
反卷积是上采样的一种,分割经常用,让特征图越来越大。反卷积不是卷积的逆过程。
卷积是做特征提取,跟最后是实现分类还是检测没有关系。
CNN的缺点:
1.感受野小,需要堆叠很多次卷积才能获取更多的全局信息;
2.卷积时只考虑了相邻的像素点,没有考虑距离远的像素点,只关注了局部信息;
CNN能做的transformer都能做。