一、概述 两种神经网络： 全连接神经网络 卷积神经网络（局部连接，相对于全连接而言） 全连接神经网络 卷积神经网络（局部连接，相对于全连接而言） 全连接神经网络 weight太多了，导致计算量太大 pooling（池化）： 特征聚集、降维（降低维度）、光滑 目的： 降低输出规模 增加可解释性 避免丢 ...
分类：
其他好文 时间：
2017-10-25 19:57:41
阅读次数：
232
图示池化层（前向传播） 池化层其实和卷积层有点相似，有个类似卷积核的窗口按照固定的步长在移动，每个窗口做一定的操作，按照这个操作的类型可以分为两种池化层： MAC （max pooling）在窗口中取最大值当做结果 AVG （average pooling）在窗口中取平均值当做结果 池化层的反向传播 ...
分类：
其他好文 时间：
2017-10-18 13:18:21
阅读次数：
183
视觉层包括Convolution, Pooling, Local Response Normalization (LRN), im2col等层。 1、Convolution层： 就是卷积层，是卷积神经网络（CNN）的核心层。 层类型：Convolution lr_mult: 学习率的系数，最终的学习 ...
分类：
其他好文 时间：
2017-10-06 20:03:55
阅读次数：
196
在使用fast rcnn以及faster rcnn做检测任务的时候，涉及到从图像的roi区域到feature map中roi的映射，然后再进行roi_pooling之类的操作。比如图像的大小是（600,800），在经过一系列的卷积以及pooling操作之后在某一个层中得到的feature map大小 ...
分类：
其他好文 时间：
2017-09-25 17:28:06
阅读次数：
213
roi pooling是先进行roi projection(即映射)然后再池化 映射是把用来训练的图片的roi映射到最后一层特征层(即卷积层)。方法其实很简单，图片经过特征提取后，到最后一层卷积层时，真个图片是原始图片的1/16，你把roi的4个坐标都乘以1/16，也就变成了在这个卷积层上对应的坐标 ...
分类：
其他好文 时间：
2017-09-24 14:35:19
阅读次数：
198
max pooling 在不同的 depth 上是分开执行的，且不需要参数控制。也就是说，pooling之后，feature map的维度不会改变 ...
分类：
其他好文 时间：
2017-09-24 14:30:56
阅读次数：
109
CNN中减少网络的参数的三个思想： 1） 局部连接（Local Connectivity） 2） 权值共享（Shared Weights） 3） 池化（Pooling） 局部连接 局部连接是相对于全连接来说的。全连接示意图如下： 比如说，输入图像为1000*1000大小，即输入层有1000*1000 ...
分类：
其他好文 时间：
2017-09-24 00:29:58
阅读次数：
360
本文主要是学习下Linear Decoder已经在大图片中经常采用的技术convolution和pooling，分别参考网页http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial中对应的章节部分。 Linear Decoders: ...
分类：
其他好文 时间：
2017-09-21 11:23:24
阅读次数：
153
throwing away too much information http://deeplearning.net/tutorial/lenet.html http://ufldl.stanford.edu/tutorial/supervised/Pooling/ ...
分类：
其他好文 时间：
2017-09-19 15:12:02
阅读次数：
187
使用Caffe 跑 Google 的Inception V2 对输入图片的shape有要求，某些shape输进去可能会报错。 Inception model中有从conv和pooling层concat的操作，而conv和pooling的output输出计算方式不完全一样。解决方案： 1. 按照原来p ...
分类：
其他好文 时间：
2017-09-09 11:50:19
阅读次数：
321
