时间戳

首页 > 解决方案 > 与具有池化的 CNN 相比，全卷积神经网络有什么好处？

machine-learning - 与具有池化的 CNN 相比，全卷积神经网络有什么好处？

问题描述

我一直在阅读一些关于用于对象检测的不同 CNN 的信息，并发现我正在研究的大多数模型都是完全卷积网络，例如最新的 YOLO 版本和视网膜网络。

除了具有较少不同层的 FCN 之外，FCN 与具有池化的传统 CNN 相比有哪些优势？我已经阅读了https://arxiv.org/pdf/1412.6806.pdf，当我阅读它时，该论文的主要兴趣是简化网络结构。这是现代检测/分类网络不使用池化的唯一原因，还是有其他好处？

标签： machine-learningdeep-learningcomputer-visionartificial-intelligenceconv-neural-network

解决方案

使用 FCN，我们避免使用密集层，这意味着更少的参数，因此我们可以让网络学习得更快。

如果您避免合并，您的输出将与您的输入具有相同的高度/宽度。但我们的目标是减小卷积的大小，因为它的计算效率更高。此外，通过池化我们可以更深入，因为我们通过更高层单个神经元“看到”更多的输入。此外，它有助于跨不同尺度传播信息。

通常，这些网络包含一个下采样路径以提取所有必要的特征，以及一个上采样路径以将高级特征重建回原始图像尺寸。

有一些架构，如“全卷积网络”。Springenberg，在某种意义上避免了集中，有利于速度和简单性。在本文中，作者用 stride-2 卷积替换了所有池化操作，并在输出层使用了全局平均池化。全局平均池化操作减少了给定输入的维度。

推荐阅读