卷积网络可以用于输出高维的结构化对象,而不仅仅是预测分类任务的类标签或回归任务的实数值。通常这个对象就是个张量,由标准卷积层产生。
经常出现的问题是输出平面比输入平面小
用于对图像中单个对象分类的常用结构中,网络空间维数的最大减少来源于使用大步幅的池化层
So if 希望产生与输入 大小相似的输出映射,有如下方法:
1)避免将池化放在一起
2)单纯地产生一张低分辨率的标签网格
原则上可以使用单位步幅的池化操作。。。。。。。。
卷积网络可以用于输出高维的结构化对象,而不仅仅是预测分类任务的类标签或回归任务的实数值。通常这个对象就是个张量,由标准卷积层产生。
用于对图像中单个对象分类的常用结构中,网络空间维数的最大减少来源于使用大步幅的池化层
So if 希望产生与输入 大小相似的输出映射,有如下方法:
1)避免将池化放在一起
2)单纯地产生一张低分辨率的标签网格
原则上可以使用单位步幅的池化操作。。。。。。。。