云南龙网

  1. 首页 > 云知道 > >

图像的卷积和池化操作,卷积操作( 四 )

云知道操作


一个例子是使用 ResNet-152 作为教师模型来帮助训练 ResNet-50 。5.4 混合训练在混合训练（mixup）中，每次我们随机抽样两个样本 (x_i,y_i) 和 (x_j,y_j) 。然后我们通过这两个样本的加权线性插值构建一个新的样本：其中 λ∈[0,1] 是从 Beta(α, α) 分布提取的随机数 。
在混合训练中，我们只使用新的样本 (x hat, y hat) 。5.5 实验结果表 6：通过堆叠训练改进方法，得到的 ImageNet 验证准确率 。基线模型为第 3 节所描述的 。6 迁移学习6.1 目标检测表 8：在 Pascal VOC 上评估各种预训练基础网络的 Faster-RCNN 性能 。6.2 语义分割表 9：在 ADE20K 上评估各种基础网络的 FCN 性能 。
如何理解卷积神经网络里卷积过滤器的深度问题？

图像的卷积和池化操作,卷积操作


我们通常看到的卷积过滤器示意图是这样的：（图片来源：cs231n）这其实是把卷积过滤器“压扁”了，或者说“拍平”了 。比如，上图中粉色的卷积过滤器是3x3x3，也就是长3宽3深3，但是示意图中却画成二维——这是省略了深度（depth） 。实际上，卷积过滤器是有深度的，深度值和输入图像的深度相同 。也正因为卷积过滤器的深度和输入图像的深度相同，因此，一般在示意图中就不把深度画出来了 。
如果把深度也画出来，效果大概就是这样：（图片来源：mlnotebook）如前所述，卷积过滤器的深度和输入图像的深度相同，都是3 。顺便说下，输入图像深度为3，是因为输入图像是彩色图像，深度为3，分别为R、G、B值 。作为对比，灰度图像的卷积过滤器是这样的（真2D）：（图片来源：mlnotebook）总之，卷积过滤器的深度和输入数据的深度保持一致就可以了 。

推荐阅读


上一篇：城市轨道交通车辆技术的就业方向

下一篇：电脑的本地连接不见了怎么办,网络连接不上怎么办