深度篇—— Deep Learning 经典网络 model 发展史(三) 细说 ZF-Net 结构和特点

最新推荐文章于 2024-04-29 02:30:10 发布

万道一

最新推荐文章于 2024-04-29 02:30:10 发布

阅读量639

点赞数

分类专栏： AI章文章标签：深度学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/qq_38299170/article/details/104241797

版权

AI章专栏收录该内容

54 篇文章

订阅专栏

本文详述2013年ImageNet挑战赛冠军网络ZF-Net，它是基于AlexNet微调的模型，通过反卷积和反池化来观察特征图效果，提升了性能。ZF-Net调整了第一层滤波器大小和步幅，前层使用小卷积核，保留更多特征。此外，网络揭示了层次化的特征学习，并通过遮挡实验展示了深度对特征区分性的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

返回主目录

返回 Deep Learning 经典网络 model 发展史目录

上一章：深度篇—— Deep Learning 经典网络 model 发展史(二) 细说 AlexNet 结构和特点

下一章：深度篇—— Deep Learning 经典网络 model 发展史(四) 细说 VGG16 结构和特点

本小节，细说 ZF-Net 结构和特点，下一小节细说 VGG16 结构和特点

论文地址：Visualizing and Understanding Convolutional Networks

二. 经典网络(Classic Network)

3. ZF-Net

ZF-Net 是 2013 年 ImageNet 分类任务的冠军，其网络结构没有太大的改进，只是调节了参数，将大的卷积核拆小了些，而性能较 AlexNet 提升了不少。

(1). 网络描述： $\large input(-1, \; 224, \; 224, \; 3)$

网络结构：

反卷积、反池化结构：

ZF-Net 使用了反卷积、反池化来查看提取的特征图效果。并参考这些效果图，进行调参。

(2). ZF-Net 的特点：

①. ZF-Net 是基于 AlexNet 进行微调的

a. 差异表现在 AlexNet 用了两块 GPU 的稀疏连接结构，而 ZF-Net 只用了一块 GPU 的稠密连接结构。

b. 改变了 AlexNet 的第一层：即将滤波器的大小 $11 \times 11$ 变成 $\large 7 \times 7$ ，并且将步幅 $\large 4 \times 4$ 变成了 $\large 2 \times 2$ 。

②. ZF-Net 与 AlexNet 相比，前面的层使用了更小的卷积核，和更小的步幅，保留了更多的特征。

③. 使用反卷积，可视化 feature map。通过 feature map 可以看出，特征分层次体系结构。前面的层学习的是物理轮廓、边缘、颜色、纹理等特征，后面的层学习的是和类别相关的抽象特征。越是高层的特征，其用来做分类的性能越好；而低层的特征，则用来打框的性能更好。

④. 通过遮挡，找出了绝对图像类别的关键部位。通过实验，说明了深度增加时，网络可以学习到更具区分的特征。

⑤. 网络训练时，低层参数收敛快，越是高层，则需要越长的时间训练，才能收敛。

返回主目录

返回 Deep Learning 经典网络 model 发展史目录

上一章：深度篇—— Deep Learning 经典网络 model 发展史(二) 细说 AlexNet 结构和特点

下一章：深度篇—— Deep Learning 经典网络 model 发展史(四) 细说 VGG16 结构和特点

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。