设为首页 - 加入收藏
广告 1000x90
您的当前位置:311211黄大仙生肖资料 > 卷积核 > 正文

深度学习中卷积层中多个feature map 的计算 是怎么计算的

来源:未知 编辑:admin 时间:2019-06-16

  网络作家,志耘誉松著有《机械魔敌》《笑泪恋曲》誉诚营销策划工作室执行策划主管

  尝试结合神经科学对第一个问题简单说说自己的理解,轻黑。在CNN的设定里,FeatureMap是卷积核卷出来的,而不同的特征提取(核)会提取不同的feature,模型想要达成的目的是解一个最优化,来找到能解释现象的最佳的一组卷积核。例如某个核如果形似gabor算子,就会提取出边缘信息的feature,但这个特征toosimple,很可能不是模型需要的特征。这与人脑神经网络(暂且这么叫吧)的功能是很相似的,比如gabor算子模拟了V1具有方向选择性的神经元,这些神经元被称为simplecell,只能对orientation做出响应,人脑依靠这些神经元检测出图像的边缘信息。但simplecell的功能也仅此而已,人脑若要完成一些更高级的功能(visualattention,objectrecognition),就需要更复杂的神经元,例如complexcell和hypercomplexcell,它们能对信号做一些更复杂的变换,而恰恰神经科学的证据表明,它们“很可能”是由V1的多个simplecell的输出信号组合而成的,比如V4的一些cell可能对angle做出响应等;考虑一个objectrecognition的任务,object自身具有不同的特征,不同的复杂的cell编码了其不同的特征,组合起来表达这样一种object。CNN的设定中的featuremap也就对应了各层cell的信号输出。

本文链接:http://homehelp4u.net/juanjihe/357.html

相关推荐:

网友评论:

栏目分类

现金彩票 联系QQ:24498872301 邮箱:24498872301@qq.com

Copyright © 2002-2011 DEDECMS. 现金彩票 版权所有 Power by DedeCms

Top