出自：https://blog.youkuaiyun.com/chaipp0607/article/details/72847422/2012年AlexNet在ImageNet大赛上一举夺魁，开启了深度学习的时代，虽然后来大量比AlexNet更快速更准确的卷积神经网络结构相继出现，但是AlexNet作为开创者依旧有着很多值得学习参考的地方，它为后续的CNN甚至是R-CNN等其他网络都定下了基调，所以下面我们将...

Last few layers of Original CNN are dense layer with fixed size which need inputs with fixed size, otherwise the dense layer ....Mean while the FCN doesn't has a fixed dense layer .so 

By Jay Mahadeokar and Gerry PesaventoAutomatically identifying that an image is not suitable/safe for work (NSFW), including offensive and adult images, is an important problem which researchers hav...

一、 前言在目标检测系列文章的上一篇R-CNN中，我们知道R-CNN在当时虽然取得了不错的成绩，但是其需要改进的地方也很多，比如算法步骤比较繁琐，需要大量的时间和内存去训练和测试模型等。除此之外，在训练和测试常见的CNN网络时，要求输入的图像有一个固定的大小，比如要求图像的输入为224*224。（网络前面的卷积层不要求输入图像的大小，后面的全连接层的输入特征数是固定的，需要固定的输入）这就要求...

原文：https://blog.youkuaiyun.com/chaipp0607/article/details/60868689原文：https://blog.youkuaiyun.com/briblue/article/details/831514751. google inception 里的1*1 conv kernel 用途都有1*1卷积核的出现，那么它到底是做什么的？我们应该如何理...

只需要一句话就解释清楚了：不管输入图像的深度为多少，经过一个卷积核（filter），最后都通过下面的公式变成一个深度为1的特征图。 也就是说不管卷积核深度是多少（卷积核的深度和要被卷积的原始神经元的深度要一样），而卷积会合并卷积深度为1，我想这才是很多人疑惑的地方，其他的没什么好疑惑的。这里还是想强调一下，卷积核(filter)的channel数，其实是与输入图像相同的，所以常常会省略不写，只...