与CNN相比,FCN有哪些优点?
0 763
0
该提问暂无详细描述
收藏
2021-01-20 17:22 更新 🍊小桔子 •  1922
共 1 个回答
高赞 时间
0

首先定义。全卷积CNN(FCN)是所有可学习层都是卷积的,因此它没有任何全连接层。 一个由一些卷积层和几个全连接层组成的CNN和一个FCN (全卷积网络)的主要区别是:

输入图像尺寸:

如果你的网络中没有任何完全连接的图层,则可以将网络应用于几乎任何尺寸的图像。因为只有完全连接的层才需要一定大小的输入,所以在像AlexNet这样的体系结构中,你必须提供一定大小的输入图像(224x224)。

空间信息:

全连接层通常会导致空间信息丢失,因为它的“完全连接”性:所有输出神经元都连接到所有输入神经元。如果你在各种可能性中工作(例如不受约束的真实图像),则无法使用这种架构进行分割。

如果限于相对较小的空间,例如,完全连接的图层仍可以进行分割,少数具有有限视觉变化的对象类别,因此FC激活可以充当这些图像的足够统计信息。在后一种情况下,FC激活足以编码对象类型及其空间布置,这取决于FC层的容量以及损失函数。

计算成本和表示能力:

在卷积层和完全连接的层之间,计算与存储方面也存在一些区别,不过,我对此感到有些困惑。例如,在AlexNet中,卷积层占权重的90%(表示能力),但仅占计算量的10%;剩下的(10%的权重=>较少的表示能力,计算的90%)被全连接的层耗尽了。因此,通常研究人员开始倾向于拥有更多的卷积层,趋向于为所有事物建立全卷积网络。

收藏
2021-01-20 17:44 更新 Lisa •  1296