Qianzhen_Sun的博客

全连接层（Fully Connected Layer）：全连接层（FC） 可以看为和上一个采样层（pooling） 中存在一个卷积操作。如：上一个采样层维数为3*3*5，而全连接层维数为1*4096。那么中间可以看做存在一个3*3*5*4096的卷积层进行了卷积操作。这一步操作相当于把前面提取出的分布式特征映射到样本标记空间。即忽略特征之间的相对位置信息（空间结构特性），把所有特征整合到一起输出为一个值。FC 的层数越多，越能表达非线性问题。但由于参数量大，会降低学习效率。因此，新提出的网络模型如 R

锐化将原图像和拉普拉斯图像叠加到一起，便可以得到锐化图像。在图像的边缘处，二阶微分值变化非常大。因此可以用各向同性的拉普拉斯微分算子检测图像中的灰度突变（即边缘）。各向同性是指先对图像进行旋转再进行滤波处理和先进行滤波处理再旋转的结果是相同的。拉普拉斯算子的变换：∇2f=∂2f∂2x+∂2f∂2y \nabla^{2}f = \frac{\partial^{2} f}{\partial^{2} x} + \frac{\partial^{2} f}{\partial^{2} y} ∇2f=∂2x∂2f