【论文笔记 2】CNN经典入门STRIVING FOR SIMPLICITY: THE ALL CONVOLUTIONAL NET
【论文笔记 2】CNN经典入门STRIVING FOR SIMPLICITY: THE ALL CONVOLUTIONAL NET
1. 综述
对现代的CNN网络结构进行了简要说明,一般的网络都是由卷积,池化,全连三部分组成,主要任务为
- 探究最大池化的作用,并尝试用(increaed stride)卷积代替
- 设计一整套只使用卷积的网络
- 通过deconvolution来进行可视化操作
近期的网络优化策略:
- a plethora of extensions 使用更复杂的激活函数,正则化手法,预处理
- different architectural choices 多卷积,heterogeneous(异构)modules
2.模型简介 ACN
跟传统的CNN有不同:
- 出除池化层,用步长为2的卷积代替
- 出除全连层用1X1卷积来代替
利用卷积方程和池化方程来阐述卷积的作用
其中池化为什么被使用有三个原因:
- P-Norm使得网络有一定不变性,理解为平移,缩放不变性
- 使得能够更加清楚的看到一些大的特征
- 参数减少,好优化
其中最重要的是第二条,通过以下方法来替代pooling
- 直接出除池化层,然后增加卷积步长
- 用步长2,channel =3 的卷积来替换
3.实验
很细节的东西
4.反卷积
利用zelier反卷积的思想,但是因为这个网络没有池化层,所以更加的高效
反卷积从高层的feature map 出发invert the data flow 从被激活的神经元到下层图像
不用使用switch标记location
提出一种guided backpropagation
【论文笔记 2】CNN经典入门STRIVING FOR SIMPLICITY: THE ALL CONVOLUTIONAL NET相关推荐
- 论文笔记系列:经典主干网络(一)-- VGG
✨写在前面:强烈推荐给大家一个优秀的人工智能学习网站,内容包括人工智能基础.机器学习.深度学习神经网络等,详细介绍各部分概念及实战教程,通俗易懂,非常适合人工智能领域初学者及研究者学习.➡️点击跳转到 ...
- [深度学习论文笔记][Visualizing] Striving for Simplicity: The All Convolutional Net
Springenberg, Jost Tobias, et al. "Striving for simlicity: The all convolutional net." arX ...
- 论文笔记(FCN网络,语义分割):Fully Convolutional Networks for Semantic Segmentation
FCN论文笔记:Fully Convolutional Networks for Semantic Segmentation 语义分割模型结构时序: FCN SegNet Dilated Convol ...
- 【论文笔记】CNN for NLP
什么是Convolutional Neural Network(卷积神经网络)? 最早应该是LeCun(1998)年论文提出,其结果如下:运用于手写数字识别.详细就不介绍,可参考zouxy09的专栏, ...
- [论文笔记]基于 CNN+双向LSTM 实现服饰搭配的生成
论文:<Learning Fashion Compatibility with Bidirectional LSTMs> 论文地址:https://arxiv.org/abs/1707.0 ...
- [深度学习论文笔记]Multimodal CNN Networks for Brain Tumor Segmentation in MRI
Multimodal CNN Networks for Brain Tumor Segmentation in MRI: A BraTS 2022 Challenge Solution MRI中用于脑 ...
- 论文笔记:Stochastic Weight Completion for Road Networks using Graph Convolutional Networks
ICDE2019 pytorch 笔记: 复现论文 Stochastic Weight Completion for Road Networks using Graph Convolutional N ...
- 《STRIVING FOR SIMPLICITY: THE ALL CONVOLUTIONAL NET》论文学习
ABSTRCAT 如今用于目标识别的CNNs大都以相同的原则构建:卷积层与最大池化层交替,接着是少量全连接层.本文重新评估了用CNN从小图像中识别物体的技术水平,产生了对上述结构中不同成分的必要性的质 ...
- 论文笔记--InfGCN: Identifying influential nodes in complex networks with graph convolutional networks
目录 0 摘要 1 小白基础知识补充: 2 Introduction 3 Deep learning model(InfGCN) 3.1 构造邻居网络 3.2 基于图卷积神经网络的模型 3.2.1 输 ...
最新文章
- vue本地项目静态资源管理
- 警惕!勒索病毒DXXD 2.0版来袭,黑客称只能缴纳赎金无法破解
- python计算颜色占比_用 Python 对图片主体轮廓进行提取、颜色标记、并计算区域面积...
- 【Q】之防火墙的SNAT DANT原理应用
- spring(1)Spring之旅
- 云笔记/笔记软件工具
- java后台异步任务执行器TaskManager
- MySQL逻辑架构以及调优篇
- linux查看命令本身shell脚本的路径
- javascript语言扩展:可迭代对象(3)
- softmax的简洁实现
- linux 授信_Linux 配置双机SSH信任
- 陀螺精选 | 2020年最值得重读的10篇文章
- 【担心照片被冒用?】活体检测新增人脸合成图鉴别
- 字符型指针,数组,字符串赋值
- GridControl
- 软件测试中测试版本的质量状况,测试结果分析和质量报告
- DAESUNG控制器维修振动盘控制器维修DSC-300-2
- 远程管理计算机用户账户限制,用户帐户控制和远程限制 - Windows Server | Microsoft Docs...
- 证据加密(witness encryption)
热门文章
- 新蜂商城(newbee-mall-api)部分接口实验,跨域处理(同源策略,跨域访问,CORS),系统安全问题(Session,Cookie,Token,OAuth)(软件工程综合实践课程第十三周)
- linux进程间通信msg的内核实现
- 电脑添加200个虚拟IP,用Jmeter实现IP欺骗
- ABC200 C - Ringo‘s Favorite Numbers 2(map计数)
- java如何解决栈溢出问题_如何解决栈溢出
- BCG 使用之NOTIFYICONDATA托盘
- php购物车源代码下载,buy_car.rar
- 对相同字母组合的单词进行归类
- libtorch vs新建项目报错:std: 不明确的符号
- leetcode【102,103】Binary Tree Level Order Traversal Binary Tree Zigzag Level Order Traversal