对CNN 的理解
2024-08-30 20:50:00
CNN 的强大之处在于它的多层结构能自动学习特征，并且可以学习到多个层次的特征：较浅的卷积层感知域较小，学习到一些局部区域的特征。
较深的卷积层具有较大的感知域，能够学习到更加抽象一些的特征。这些抽象特征对物体的大小、位置和方向等敏感性更低，从而有助于识别性能的提高。
卷积核具有平移不变性（ translation invariance）
图像的大小不影响卷积，全连接层需要feature是固定大小。
经过多次卷积（还有pooling）以后，得到的图像越来越小,分辨率越来越低（粗略的图像）
最新文章
- Ubuntu12.04下编译OpenCv2.4.9程序
- Mahout 的安装
- 【Java】Java 深入探讨 单例模式的实现
- 七牛：关于图片 EXIF 信息中旋转参数 Orientation 的理解
- idea 开发环境jdk崩溃
- 看文档要看仔细，英语要加强啊... cocos2d-x 的 API 和 对应版本的 cocos2d-js 的 API 没有完全对应
- hadoop多机安装YARN
- Redis同步(主从复制)
- POJ 1631 Bridging signals DP(最长上升子序列)
- iOS开发- 界面传值(1)-通知模式(广播)
- 客户端禁用cookie情况下的URL重写
- SQL SERVER 游标的使用
- Timer类的常见使用方法
- Exp2 后门原理与实践 - 20164304 姜奥
- 初用Ajax
- 【XSY2786】Mythological VI 数学
- spring注解之@PostConstruct在项目启动时执行指定方法
- SublimeText插件Pandoc导出PDF中文报错或者中文不显示解决方法
- JS中的事件(对象，冒泡，委托，绑定)
- Delphi编写Shell扩展