卷积下采样和池化的区别
池化
通常池化层紧跟在 CNN 的卷积层之后。
池化方法:
- max-pooling:对邻域内特征点取最大值
- mean-pooling:对邻域内特征点求平均
池化的作用:
- 降维,减少网络要学习的参数数量
- 防止过拟合
- 扩大感受野
- 实现不变性(平移、旋转、尺度不变性)
池化下采样比较粗暴,可能将有用的信息滤除掉,而卷积下采样过程控制了步进大小,信息融合较好,现在池化操作较少的被采用。
pooling提供了一种非线性,这种非线性需要较深的conv叠加才能实现,因此当网络比较浅的时候,pooling有一定优势;但是当网络很深的时候,多层叠加的conv可以学到pooling所能提供的非线性,甚至能根据训练集学到比pooling更好的非线性,因此当网络比较深的时候,不使用pooling没多大关系,甚至更好。
卷积下采样和池化的区别相关推荐
- 卷积向下取整 池化向上取整
卷积向下取整 池化向上取整 在我计算GoogLeNet的每一步的图片的尺寸的时候 我运用卷积的计算公式对对我们的图片的尺寸进行计算,却发现是不行的,我就很疑惑 我用的是一下公式 (1)输入数据体的尺寸 ...
- 用于视觉识别的深度卷积网络空间金字塔池化方法
摘要 现有的深卷积神经网络(CNN)需要一个固定大小的神经网络(例如224x224)的输入图像.这种要求是"人为的",可能会降低对任意大小/尺度的图像或子图像的识别精度.在这项工作 ...
- tensorflow环境下的识别食物_在TensorFlow+Keras环境下使用RoI池化一步步实现注意力机制...
在本文中,作者解释了感兴趣区域池化(RoI 池化)的基本概念和一般用法,以及如何使用它来实现注意力机制.他一步步给出了在 Keras 和 TensorFlow 环境下使用 RoI 池化的实现. 选自 ...
- 卷积神经网络中的池化是什么意思
卷积神经网络中的池化是什么意思 pooling 理论在于,图像中相邻位置的像素是相关的.对一幅图像每隔一行采样,得到的结果依然能看. 经过一层卷积以后,输入的图像尺寸变化不大,只是缩小了卷积核-1.根 ...
- 卷积神经网络的深入理解-基础篇(卷积,激活,池化,误差反传)
卷积神经网络的深入理解-基础篇 一.卷积(convolution) 1.无padding时 2.有padding时 3.卷积与全连接 通道数(一般一张彩色图像为三通道RGB) 二.激活(激活函数)(持 ...
- 卷积神经网络中的池化(Pooling)层
文章目录 卷积神经网络中的池化(Pooling)层 ⚪ 通用的池化方法 1. 最大池化 Max Pooling 2. 平均池化 Average Pooling 3. 混合池化 Mix Pooling ...
- 花书+吴恩达深度学习(十一)卷积神经网络 CNN 之池化层
目录 0. 前言 1. 最大池化(max pooling) 2. 平移不变形 3. 其他池化函数 4. 卷积和池化作为一种无限强的先验 如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔~我会非常 ...
- CNN中的采样和池化心得
神经网络中,其实池化也是采样. 采样层是使用 pooling的相关技术来实现的,目的就是用来降低特征的维度并保留有效信息,一定程度上避免过拟合.但是pooling的目的不仅仅是这些,他的目的是保持旋转 ...
- 池化层:最大池化MaxPool、平均池化AvgPool、自适应池化AdaptiveMaxPool区别--基于pytorch框架
文章目录 MaxPool2d最大池化 AvgPool2d平均池化 AdaptiveAvgPool2d自适应平均池化 池化操作的一个重要的目的就是对卷积后得到的特征进行进一步处理,池化层可以起到对数据进 ...
最新文章
- 3D目标检测论文阅读摘要
- 步进电机正反转实验_电工基础:帮你学会电机正反转双重互锁控制
- bean的scope
- redis存10万条数据_redis详细介绍
- Oracle数据库之数据处理
- Linux Shell常用技巧(四)
- Settings【学习笔记05】
- oracle 创建用户表空间及赋权
- 一步一步学Silverlight 2系列(33):Silverlight 2应用Web Service两例
- Oracle全文索引之二 创建
- 程序员如何应对诸如“给我弄个网站吧”的请求?
- 商业智能改变汽车行业
- EasyRecovery数据恢复(U盘)
- 古人与古代(他们和他们的时代)
- 【RobotStudio学习笔记】(二)手动操作
- 文件夹批量重命名方法
- Lucene学习总结之一:全文检索的基本原理
- 用python画多来a梦-Python—turtle画图(哆啦A梦)
- 一个树莓派集群 (VAX)
- Designing Principle