卷积与卷积和的区别 如何理解空洞卷积？
如何理解空洞卷积？
在CNN网络中，当对图像进行下采样时，我们经常使用池操作，包括平均池和最大池。
其功能是模仿人类视觉系统进行降维，同时扩展感知领域。从卷积层提取的特征被降采样以获得更高级的特征。此外，池化层还可以保证特征的位置和旋转不变形。最后，池的引入可以减少网络参数，防止过度拟合。
但是，使用池也有其缺点。在下采样过程中，会丢失部分特征信息和原始图像中的信息。
提出了腔卷积来解决池层的缺点。首先，它是一种卷积的图像语义分割方法。与一般卷积不同的是，空穴卷积的卷积核更“蓬松”，即在卷积核上加入空穴以扩大感受野。引入了一个新的参数&除法速率，即卷积核的区间数。正规卷积核的空隙率等于1。
如下图所示，为3*3孔卷积，孔隙比为2。结果表明，空卷积不仅扩大了接收场，降低了维数，而且不增加计算量。
但是，由于引入了超级参数，我们需要权衡每个卷积的参数。如果空隙率过大，很可能无法捕捉到图像中微小物体的信息，因此再次使用时需要设置合适的空隙率。另外，如果叠加多个孔隙比为2的3*3卷积核，会出现网格效应，损失大量信息。因此，在设计孔卷积时，需要考虑不同层的不同孔率，使卷积得到尽可能多的信息。
如何通过改进网络结构来压缩卷积神经网络？
卷积神经网络（CNN）作为一种前向神经网络，由于其神经元能够对覆盖区域内的周围细胞做出响应，因此主要用于处理大规模图像。该结构包括卷积层和池化层。在组合过程中，单元数逐层减少，但随着操作单元数的增加，操作参数数也随之增加。毕竟，操作参数的个数决定了它的感知能力，所以压缩起来比较困难。为了保证计算的正确性，对运行参数的压缩只能压缩部分参数，但也有一定的局限性。个人理解，不要喷错。
常数与函数卷积怎么做？
常数C和函数f（x）的卷积等于f（x）从负无穷大到正无穷大积分的C倍。因此，当f（x）为常数B时，从负无穷到正无穷的积分为B（正无穷负无穷），当B>0时，结果为正无穷，当B<0时，结果为负无穷。如果你把它乘以C，它就是正无穷大或负无穷大的倍数。1和1的卷积，1的卷积（正无穷负无穷）=正无穷，2和3的卷积，6的卷积（正无穷负无穷）=正无穷都是没有意义的。卷积在工程中被用来计算线性时不变系统，几乎所有引入的函数都是具有有限积分的函数。做常数卷积是没有意义的
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
