网络中的亮点
- 通过堆叠多个3*3的卷积核来代替大尺寸的卷积核(减少参数量)
- 论文中提到,可以通过堆叠两个33的卷积核代替55的卷积核,堆叠三个33的卷积核代替77的卷积核
-D结构是被使用最为频繁的,vgg16=13+3(全连接层)
感受野
在卷积神经网络中,决定某一层输出结果中一个元素所对应的输入层的区域大小,被称为感受野,通俗的讲就是输出的feature map上的一个单元对应输入层上的区域大小
感受野的计算公式:F(i)=(F(i+1)-1)*Stride+Ksize(从高层往低层 计算)
-
F(i)是第i层的感受野
-
Stride是第层的步距
-
Ksize是卷积核的大小
怎么利用三个33的卷积核代替的77卷积核的感受野 -
Feature map:F=1(VGG中默认的步距为1)
-
Conv3*3(3):F=(1-1)+3=3
-
Conv3*3(2):F=(3-1)+3=5
-
Conv33(1):F=(5-1)+3=7
这样采用三个33卷积核和一个77卷积核得到的感受野是一样的
是怎么减少参数的C分别代表深度和卷积核的个数
77所需要的参数量:77CC=49
三个33的卷积核参数量:33CC3=27
网络结构
- Conv,stride=1,padding=1
- Maxpool=2,stride=2