局部连接层(Locally-Connected Layer)
locally-conv的概念来自传统ML中的模型初始化(随机树方法中每个图像的crop都对应特定的一棵树)。
参数共享这个策略并不是每个场景下都合适的。有一些特定的场合,我们不能把图片上的这些窗口数据都视作作用等同的。(特别是当卷积神经网络的输入图像是一些明确的中心结构时候)
当图像局部相似匹配时,我们就应该期望在图片的不同位置学习到完全不同的特征。
什么时候用local-conv?什么时候用全卷积(每一个点用同一个filter)?
当数据集具有全局的局部特征分布时,也就是说局部特征之间有较强的相关性,适合用全卷积。在不同的区域有不同的特征分布时,适合用local-Conv。
典型例子就是人脸识别
在这个例子中,通常就放松参数共享的限制。
一般人的面部都集中在图像的中央,你可能期望不同的特征,比如眼睛特征或者头发特征可能(也应该)会在图片的不同位置被学习。
因此我们希望,数据窗口滑过这块区域的时候,权重和其他边缘区域是不同的。
参考:深度学习基础–卷积–局部连接层(Locally-Connected Layer)_wydbyxr的博客-CSDN博客_局部连接层
今天的文章局部连通_什么叫局部3层「建议收藏」分享到此就结束了,感谢您的阅读。
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/64852.html