concat特征融合_深度特征融合---理解add和concat之多层特征融合
一、如何理解concat和add的方式融合特征
在各个网络模型中,ResNet,FPN等采用的element-wise add来融合特征,而DenseNet等则采用concat来融合特征。那add与concat形式有什么不同呢?事实上两者都可以理解为整合特征图信息。只不过concat比较直观,而add理解起来比较生涩。
从图中可以发现,
concat是通道数的增加;
add是特征图相加,通道数不变
你可以这么理解,add是描述图像的特征下的信息量增多了,但是描述图像的维度本身并没有增加,只是每一维下的信息量在增加,这显然是对最终的图像的分类是有益的。而concatenate是通道数的合并,也就是说描述图像本身的特征数(通道数)增加了,而每一特征下的信息是没有增加。
concat每个通道对应着对应的卷积核。 而add形式则将对应的特征图相加,再进行下一步卷积操作,相当于加了一个先验:对应通道的特征图语义类似,从而对应的特征图共享一个卷积核(对于两路输入来说,如果是通道数相同且后面带卷积的话,add等价于concat之后对应通道共享同一个卷积核)。
因此add可以认为是特殊的concat形式。但是add的计算量要比concat的计算量小得多。
另解释:
对于两路输入来说,如果是通道数相同且后面带卷积的话,add等价于concat之后对应通道共享同一个卷积核。下面具体用式子解释一下。由于每个输出通道的卷积核是独立的,我们可以只看单个通道的输出。假设两路输入的通道分别为X1, X2, …, Xc和Y1, Y2, …, Yc。那么concat的单个输出通道为(*表示卷积):
而add的单个输出通道为:
因此add相当于加了一种prior,当两路输入可以具有“对应通道的特征图语义类似”(可能不太严谨)的性质的时候,可以用add来替代concat,这样更节省参数和计算量(concat是add的2倍)。FPN[1]里的金字塔,是希望把分辨率最小但语义最强的特征图增加分辨率,从性质上是可以用add的。如果用concat,因为分辨率小的特征通道数更多,计算量是一笔不少的开销
Resnet是做值的叠加,通道数是不变的,DenseNet是做通道的合并。你可以这么理解,add是描述图像的特征下的信息量增多了,但是描述图像的维度本身并没有增加,只是每一维下的信息量在增加,这显然是对最终的图像的分类是有益的。而concatenate是通道数的合并,也就是说描述图像本身的特征增加了,而每一特征下的信息是没有增加。
参考文章:https://blog.csdn.net/u012193416/article/details/79479935
通过keras代码,观察了add对参数的影响,以及concat操作数组的结果。
二、concat实操
Concat层解析
https://blog.csdn.net/weixin_36608043/article/details/82859673
在channel维度上进行拼接,在channel维度上的拼接分成无BN层和有BN层。
(1)无BN层:直接将deconvolution layer 和convolution layer concat。实验结果表明,该方式取得的结果精度较低,低于原有的VGG模型,分析主要的原因是漏检非常严重,原因应该是concat连接的两层参数不在同一个层级,类似BN层用在eltwise层上。
(2)有BN层:在deconvolution layer 和convolution layer 后面加batchnorm和scale层(BN)后再concat。实验结果表明,该方式取得了比原有VGG模型更好的检测效果(表中的迭代次数还没有完哦),增加了2%的精度,但是速度上慢了一些。
总结:concat层多用于利用不同尺度特征图的语义信息,将其以增加channel的方式实现较好的性能,但往往应该在BN之后再concat才会发挥它的作用,而在num维度的拼接较多使用在多任务问题上,将在后续的博客中介绍,总之concat层被广泛运用在工程研究中。
三、concat与add实例
3.1 Densenet
https://blog.csdn.net/Gentleman_Qin/article/details/84638700
与inception 的加宽网络结构以及ResNet的加深网络结构不同,DenseNet着重于对每一层feature maps的重复利用。在一个Dense block中,每一个卷积层的输入都是前几个卷积层输出的concatenation(拼接),这样即每一次都结合了前面所得到的特征,来得到后续的特征。
但是,其显存占用率高的缺点也比较明显(因为concatenation,不过好在后续有了解决方法:(论文)Memory-Efficient Implementation of DenseNets)。
DenseNet优势:
(1)解决了深层网络的梯度消失问题
(2)加强了特征的传播
(3)鼓励特征重用
(4)减少了模型参数
(5)能够减少小样本的过拟合问题
DensNet缺点:
(1)非常消耗显存
Densnet基本结构
DenseNet的网络基本结构如上图所示,主要包含DenseBlock和transition layer两个组成模块。其中Dense Block为稠密连接的highway的模块,transition layer为相邻2个Dense Block中的那部分。
DenseBlock结构
上图是一个详细的Dense Block模块,其中
层数为5,即具有5个BN+Relu+Conv(3*3)这样的layer,
网络增长率为4,简单的说就是每一个layer输出的feature map的维度为4。
由于DenseNet的每一个Dense Block模块都利用到了该模块中前面所有层的信息,即每一个layer都和前面的layer有highway的稠密连接。假设一个具有L层的网络,那么highway稠密连接数目为L*(L+1)/2。
和Resnet不同的是,这里的连接方式得到的feature map做的是concat操作,而resnet中做的是elementwise操作。
DenseNet降维
highway的稠密连接方式具有诸多的优势,增加了梯度的传递,特征得到了重用,甚至减少了在小样本数据上的过拟合。但是随之产生2个缺点:
(1)DenseBlock靠后面的层的输入channel过大—每层开始的时候引入Bottleneck:
这里假设第L层输出K个feature map,即网络增长率为K,那么第L层的输入为K0+K*(L-1),其中K0为输入层的维度。也就是说,对于Dense Block模块中每一层layer的输入feature map时随着层数递增的,每次递增为K,即网络增长率。那么这样随着Dense Block模块深度的加深,后面的层的输入feature map的维度是很大的。
为了解决这个问题,在DenseNet-B网络中,在Dense Block每一层开始的时候加入了Bottleneck 单元,即1×1卷积进行降维,被降到4K维(K为增长率)。
(2) DenseBlock模块的输出维度很大—transition layer模块中加入1*1卷积降维
每一个DenseBlock模块的输出维度是很大的,假设一个L层的Dense Block模块,假设其中已经加入了Bottleneck 单元,那么输出的维度为,第1层的维度+第2层的维度+第3层的维度+****第L层的维度,加了Bottleneck单元后每层的输出维度为4K,那么最终Dense Block模块的输出维度为4KL。随着层数L的增加,最终输出的feature map的维度也是一个很大的数。
为了解决这个问题,在transition layer模块中加入了11卷积做降维。
其中,DenseNet-B在原始DenseNet的基础上,在Dense Block模块的每一层都加入了1*1卷积,使得将每一个layer输入的feature map都降为到4k的维度,大大的减少了计算量。
DenseNet-BC在DenseNet-B的基础上,在transitionlayer模块中加入了压缩率θ参数,论文中将θ设置为0.5,这样通过1*1卷积,将上一个Dense Block模块的输出feature map维度减少一半。
附:tensorflow下实现DenseNet对数据集cifar-10的图像分类
https://blog.csdn.net/k87974/article/details/80352315
3.2 Feature-Fused SSD: Fast Detection for Small Objects
https://blog.csdn.net/zhangjunhit/article/details/78031452
这里我们尝试了两种融合策略:concat和add
Concatenation Module
Element-Sum Module
3.3 Scene Classification Based on Two-Stage Deep Feature Fusion
https://www.cnblogs.com/blog4ljy/p/8697313.html
3.4 Deep Heterogeneous Feature Fusion for Template-Based Face Recognition
https://blog.csdn.net/u011732139/article/details/69943954
concat特征融合_深度特征融合---理解add和concat之多层特征融合相关推荐
- 特征级融合_自动驾驶系统入门(七)- 多传感器信息融合
1.MISF - Multi-sensor Information Fusion 基础解析 1.1 基本概念 利用计算机技术将多传感器或多源的信息和数据,在一定的准则下加以自动分析和综合,以完成所需的 ...
- 荧光和明场图像融合 matlab,一种用于明场显微成像的多层图像融合算法
一种用于明场显微成像的多层图像融合算法 [技术领域] [0001] 本发明涉及图像处理技术领域,特别涉及一种用于明场显微成像的多层图像融合 算法. [背景技术] [0002] 当前对细胞形态表型研宄的 ...
- 深度特征提取方法_深度学习|三维重建:StereoDRNet
这是我之前在泡泡机器人上翻译的文章,放在这里做个备份,原文链接:https://www.sohu.com/a/339674840_715754 一.摘要 我们提出了一种基于卷积神经网络(CNN)的深度 ...
- 深度学习图像融合_深度学习图像分割必看的12篇文章
图像分割 Author:孙叔桥 From:有三AI 1 FCN Fully Convolutional Network(FCN)是神经网络用于图像分割任务的鼻祖,后续提出的大部分基于编解码结构的图像分 ...
- 深度学习课程大纲_深度学习必备前置课程:数据准备和特征工程上线啦
"Garbage in, garbage out !",在计算机科学界一直广为流传!这句话放到数据科学上也同样成立,高质量的数据永远排在第一位.但是数据总会存在不完整.噪声.不一致 ...
- 前馈神经网络_深度学习基础理解:以前馈神经网络为例
区别于传统统计机器学习的各类算法,我们从本篇开始探索深度学习模型.深度学习在应用上的重要性现如今已毋庸置疑,从2012年燃爆ImageNet,到2016年的AlphaGo战胜李世石,再到2018年的B ...
- java多态 降低代码耦合性_深度分析:理解Java中的多态机制,一篇直接帮你掌握!...
Java中的多态 1 多态是什么 多态(Polymorphism)按字面的意思就是"多种状态".在面向对象语言中,接口的多种不同的实现方式即为多态.用白话来说,就是多个对象调用同一 ...
- 深度特征融合--add和concat【转载】
文章目录 一.如何理解concat和add的方式融合特征 二.concat实操 三.concat与add实例 3.1 Densenet 3.2 Feature-Fused SSD: Fast Dete ...
- 卷积神经网络中的add和concat
参考博客:深度特征融合---理解add和concat之多层特征融合_xys430381_1的博客-CSDN博客_特征图相加 Add是特征图相加,通道数不变 简言之,add是将多次提取到的语义信息叠加, ...
最新文章
- 五、任意输入10个int类型数据,排序输出,再找出素数
- 【node测试系列】几款前端测试断言库(Assertions lib)的选型总结
- C++内存泄露检测原理
- Linux之CentOS用ifconfig没显示ip显示了inet6
- Mac 如何恢复出厂设置
- HTML中显示的文字自动换行
- 论文浅尝 | 低资源文本风格迁移数据集
- 华为发布基于第二代英特尔®至强®可扩展处理器家族的新一代服务器
- Material Design之AppBarLayout总结
- ICCV 2019 | 视频综合理解:行为识别、场景识别以及视频综述
- 使用Entity Developer构建ASP.NET Core Web API应用程序
- 2009年4月21日 博客更新公告,敬请关注!
- 第十章 动态选录协议
- (转)“宇宙之王”高盛在历史的交叉口,不得不全面走向机器自动化
- 两个约翰的故事--读DOOM启示录
- 最大团问题回溯法求解
- html+js 简单静态网页设计
- 解决旧笔记本电脑的ME固件的驱动安装程序不支持WIN10安装的方法
- 22张图带你了解IP地址有什么作用
- redis 在32位系统安装以及使用
热门文章
- document.body.scrollTop的值为零问题
- Vue 响应式原理(双向数据绑定) 怎样实现 响应式原理?
- 给字符串对象定义一个repeat功能。当传入一个整数n时,它会返回重复n次字符串的结果。
- AI:IPPR的模式生成-CNN模块学习/训练方式(基本结构)
- Caffe2:段错误(核心 已转储)
- centos6.5搭建php网站,Centos6.5下搭建web环境(Apache+mysql+php+phpMyAdmin)
- 适合0基础的web开发系列教程-文本格式标签汇总
- 从零开始创建一个vue项目
- 天津政府应急系统之GIS一张图(arcgis api for flex)解说(二)鹰眼模块
- Vue-Cleave - 在Vue中使用CleaveJS格式化你的输入内容