深度学习笔记_卷积神经网络基本概念

卷积神经网络(CNN)典型结构

CNN各层作用简介 卷积层和采样层(convolutions and subsampling layers)

类似于特征提取

全连接层(fully connected layer) 

根据提取的特征进行分类

池化层(Pooling layer) 作用:

• 首要作用，下采样（downsamping）降维、去除冗余信息、对特征进行压缩、简化网络复杂度、减少计算量、减少内存消耗等等。各种说辞吧，总的理解就是减少数量。实现非线性（这个可以想一下，relu函数，是不是有点类似的感觉？）。
  • 可以扩大感知野
    • 可以实现不变性，其中不变性包括，平移不变性、旋转不变性和尺度不变性。

分类：

一般池化（General Pooling）：其中最常见的池化操作有平均池化和最大池化：

• 平均池化（average pooling): 计算图像区域的平均值作为该区域池化后的值。
  • 最大池化（max pooling）： 选图像区域的最大值作为该区域池化后的值。

 

IoU

IoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。

目标检测之 IoU https://blog.csdn.net/u014061630/article/details/82818112