深度学习笔记_卷积神经网络基本概念

我会带着你远行 2023-02-28 12:51 6阅读 0赞

# 卷积神经网络(CNN)典型结构 #

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70][]

![20200721160121806.png][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 1][]

# CNN各层作用简介 #

## 卷积层和采样层(convolutions and subsampling layers) ##

类似于特征提取

## 全连接层(fully connected layer) ##

根据提取的特征进行分类

## 池化层(Pooling layer) ##

### 作用: ###

*  首要作用，下采样（downsamping）降维、去除冗余信息、对特征进行压缩、简化网络复杂度、减少计算量、减少内存消耗等等。各种说辞吧，总的理解就是减少数量。实现非线性（这个可以想一下，relu函数，是不是有点类似的感觉？）。
    
     *  可以扩大感知野
        
         *  可以实现不变性，其中不变性包括，平移不变性、旋转不变性和尺度不变性。

### 分类： ###

一般池化（General Pooling）：其中最常见的池化操作有平均池化和最大池化：

*  平均池化（average pooling): 计算图像区域的平均值作为该区域池化后的值。
    
     *  最大池化（max pooling）： 选图像区域的最大值作为该区域池化后的值。

# IoU #

IoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 2][]

目标检测之 IoU [https://blog.csdn.net/u014061630/article/details/82818112][https_blog.csdn.net_u014061630_article_details_82818112]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70]: /images/20230209/707ac2c37904463ca23f6aebc1fbacfe.png
[20200721160121806.png]: /images/20230209/65d1280a944745b486dea413357ca393.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20200721160121933.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20200721222442121.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoeWpoeXAxMQ==,size_16,color_FFFFFF,t_70
[https_blog.csdn.net_u014061630_article_details_82818112]: https://blog.csdn.net/u014061630/article/details/82818112