特征不变性的个人理解相关

本文深入探讨了深度学习中池化和卷积的关键作用。池化通过减少特征和参数来保持图像的不变性,如旋转和平移。文章详细解释了mean-pooling、max-pooling和stochastic-pooling的不同效果,并讨论了卷积层在特征提取中的误差来源。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

综述

检测是对局部区域的分类,分割是对每个像素的分类。

一、有关池化

链接:https://www.zhihu.com/question/23437871/answer/24696910
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

池化的作用是使特征减少、参数减少,实质是保持某种不变性(旋转、平移、伸缩等)
特征提取的误差主要来自两个方面:

  1. 邻域大小受限造成的估计值方差增大
  2. 卷积层参数误差造成估计均值的偏移

池化的三种减少误差的方法:
3. mean-pooling能减小第一种误差,更多的保留图像的背景信息。(图像大致)

  1. max-pooling能减小第二种误差,更多的保留纹理信息。(图像细节)

  2. Stochastic-pooling则介于两者之间,通过对像素点按照数值大小赋予概率,再按照概率进行亚采样,在平均意义上,与mean-pooling近似,在局部意义上,则服从max-pooling的准则。

二、有关卷积
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值