1. 首頁 > 云知道 > >

圖像的卷積和池化操作,卷積操作( 四 )

云知道操作


一個例子是使用 ResNet-152 作為教師模型來幫助訓練 ResNet-50 。5.4 混合訓練在混合訓練（mixup）中，每次我們隨機抽樣兩個樣本 (x_i,y_i) 和 (x_j,y_j) 。然后我們通過這兩個樣本的加權線性插值構建一個新的樣本：其中 λ∈[0,1] 是從 Beta(α, α) 分布提取的隨機數 。
在混合訓練中，我們只使用新的樣本 (x hat, y hat) 。5.5 實驗結果表 6：通過堆疊訓練改進方法，得到的 ImageNet 驗證準確率 ?；€模型為第 3 節所描述的 。6 遷移學習6.1 目標檢測表 8：在 Pascal VOC 上評估各種預訓練基礎網絡的 Faster-RCNN 性能 。6.2 語義分割表 9：在 ADE20K 上評估各種基礎網絡的 FCN 性能 。
如何理解卷積神經網絡里卷積過濾器的深度問題？

圖像的卷積和池化操作,卷積操作


我們通?？吹降木矸e過濾器示意圖是這樣的：（圖片來源：cs231n）這其實是把卷積過濾器“壓扁”了，或者說“拍平”了 。比如，上圖中粉色的卷積過濾器是3x3x3，也就是長3寬3深3，但是示意圖中卻畫成二維——這是省略了深度（depth） 。實際上，卷積過濾器是有深度的，深度值和輸入圖像的深度相同 。也正因為卷積過濾器的深度和輸入圖像的深度相同，因此，一般在示意圖中就不把深度畫出來了 。
如果把深度也畫出來，效果大概就是這樣：（圖片來源：mlnotebook）如前所述，卷積過濾器的深度和輸入圖像的深度相同，都是3 。順便說下，輸入圖像深度為3，是因為輸入圖像是彩色圖像，深度為3，分別為R、G、B值 。作為對比，灰度圖像的卷積過濾器是這樣的（真2D）：（圖片來源：mlnotebook）總之，卷積過濾器的深度和輸入數據的深度保持一致就可以了 。

推薦閱讀