"

kok买球官网-首页拥有全球最顶尖的原生APP,每天为您提供千场精彩体育赛事,kok买球官网-首页更有真人、彩票、电子老虎机、真人电子竞技游戏等多种娱乐方式选择,kok买球官网-首页让您尽享娱乐、赛事投注等,且无后顾之忧!

"
首頁 > VGG神經網絡論文中multi

VGG神經網絡論文中multi

互聯網 2021-04-14 03:14:57

之前關于dense和multi-crop的回答有錯誤,多謝 @ 啦啦啦指正,已修改。

自己看文章的時候也遇到了這個問題,但是網上相關的解釋減少。可能是因為這個策略提升效果不高…

自己多讀了幾遍,我的理解是這樣的:

在3.2testing中作者提出了一種策略,即使用卷積層代替全連接層(具體理解可參考FCN網絡,講的十分詳細),這種策略不限制輸入圖片的大小,最終輸出結果是一個w*h*n的score map。其中,w和h與輸入圖片大小有關,而n與所需類別數相同。而將w*h個值進行sum pool(對每一個channel進行求和),即可得到在某一類上的概率。這種方法叫做dense evaluation

另一種策略就是經常使用的卷積層+全連接層。通過將測試圖片縮放到不同大小Q,Q可以不等于S(訓練時圖片大小)。在Q*Q圖片上裁剪出多個S*S的圖像塊,將這些圖像塊進行測試,得到多個1*n維的向量。通過對這些向量每一緯求平均,得到在某一類上的概率。這種方法叫做multi-crop

作者認為,這兩種方法的差別在于convolution boundary condition不同:dense由于不限制圖片大小,可以利用像素點及其周圍像素的信息(來自于卷積和池化),包含了一些上下文信息,增大了感受野,因此提高分類的準確度;而multi-crop由于從圖片上裁剪再輸網絡,需要對圖像進行padding,因此增加了噪聲。

但是由于multi-crop需要裁剪出大量圖片,每張圖片都要單獨計算,增加了計算量,并且準確率提升不大。在論文4.3中可以看出multi-crop比dense在top-1錯誤率上提升只有0.2(手機不方便貼圖)。

以上是我的理解,歡迎大家討論。

免責聲明:非本網注明原創的信息,皆為程序自動獲取互聯網,目的在于傳遞更多信息,并不代表本網贊同其觀點和對其真實性負責;如此頁面有侵犯到您的權益,請給站長發送郵件,并提供相關證明(版權證明、身份證正反面、侵權鏈接),站長將在收到郵件12小時內刪除。
kok买球官网-首页 <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <文本链> <文本链> <文本链> <文本链> <文本链> <文本链>