卷积和池化

出野外回来后,学习的速度迟滞了。。。

今天学习卷积和池化。

卷积神经网络和普通的神经网络的区别在于,卷积神经网络包含了由卷积层和子采样层构成的特征抽取器。其中,卷积神经网络由输入层、卷积层、**函数、池化层、全连接层组成。

1.卷积层,用于特征的提取。即从大尺度图像上随机选取小块样本,从中选取特征,并利用学习到的特征作为探测器应用到图像的各个地方去。(注意为了防止不对称,图像尺寸减去卷积核尺寸再除以步幅应该为整数,下图步幅为1。图像在单个卷积核卷积之后深度为1,故最后图像在所有卷积核卷积之后深度为卷积核的数量)(卷积核尺寸为空间尺寸乘输入深度)
卷积和池化
2.池化层,用于使特征图变小,简化计算复杂度,另一面进行特征压缩,提取主要特征。池化不会应用于深度方向,最常见的是最大值池化(卷积核在图像任意区域的受激程度表示,用于检测识别)。
卷积和池化
实践中一般是2
2的卷积核,步长为2,2*2的池化器。更小的卷积核和更深的网络结构是未来的趋势。另外,在卷积核卷积之前,可以通过0填补来保持原始尺寸输出,防止丢失过多边角信息,或者利用复制边缘值方法,防止出现过多人为特征。
卷积和池化
上图为卷积神经网络的结构,CONV为卷积层,RELU为**函数,POOL为池化层。