卷积神经网络与下采样? [英] Convolutional neural networks vs downsampling?
本文介绍了卷积神经网络与下采样?的处理方法,对大家解决问题具有一定的参考价值,需要的朋友们下面随着小编来一起学习吧!
问题描述
读完这个主题我不太理解:神经网络中的"卷积"与简单的下采样或"锐化"功能相比吗?
您能否将此术语分解为简单易懂的图像/类比?
编辑:在第一个答案之后重新表述:合并是否可以理解为权重矩阵的缩减抽样?
推荐答案
卷积神经网络是一系列经经验证明在图像识别方面非常有效的模型。从这个角度看-CNN与下采样完全不同。
但在CNN设计中使用的框架中有一些可以与下采样技术相媲美的东西。要完全理解这一点-您必须了解CNN通常是如何工作的。它是由层次化的若干层构建的,在每一层上都有一组可训练的内核,其输出的维度与输入图像的空间大小非常相似。
这可能是一个严重的问题-来自这样的层的输出可能非常巨大(~ nr_of_kernels * size_of_kernel_output
),这可能会使您的计算变得难以处理。这就是使用某些技术来减小输出大小的原因:
- 跨距、填充和内核大小操作:将这些值设置为某个值可以减小输出大小(另一方面,您可能会丢失一些重要信息)。
- 池化操作:池化是一种操作,在该操作中,您可以只传递有关它的特定聚合统计信息,而不是将所有内核的所有输出作为输出传递。它被认为非常有用,并在CNN设计中广泛使用。
有关详细说明,请访问tutorial。
编辑:是的,池化是一种降采样😊
这篇关于卷积神经网络与下采样?的文章就介绍到这了,希望我们推荐的答案对大家有所帮助,也希望大家多多支持IT屋!
查看全文