CNN网络学习(2):ZFNet,OverFeat,FCN,FPN

CNN网络学习(2):ZFNet,OverFeat,FCN,FPN

目录

CNN网络学习(2):ZFNet,FCN,OverFeat

1、ZFNet(2013):

2、OverFeat(2014):

3、FCN(2015):

3、FPN(2017):


1、ZFNet(2013):

ZFNet论文学习

详解深度学习之经典网络架构(三):ZFNet

CNN网络学习(2):ZFNet,OverFeat,FCN,FPN_第1张图片

贡献:

① 在AlexNet基础上进行了一些细节的改动,网络结构上并没有太大的突破,采用一个GPU进行训练

② 提出一种可视化方法,使用解卷积和反池化(无法实现,只能近似)的近似对每一层进行可视化,发现学习到的特征间存在层次性,层数越深,特征不变性越强,类别的判别能力越强。通过可视化模型中间层,在alexnet基础上进一步提升了分类效果

③ 遮挡实验表明分类时模型和局部块的特征高度相关,模型的深度很关键,预训练模型可以在其他数据集上fine-tuning得到很好的结果

2、OverFeat(2014):

深度学习(二十)基于Overfeat的图片分类、定位、检测

对 OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 一文的理解

快速版:

CNN网络学习(2):ZFNet,OverFeat,FCN,FPN_第2张图片

精确版:

CNN网络学习(2):ZFNet,OverFeat,FCN,FPN_第3张图片

贡献:

充分利用了卷积神经网络的特征提取功能,把分类过程中提取到的特征,同时又用于定位、检测等各种任务

3、FCN(2015):

FCN的学习及理解(Fully Convolutional Networks for Semantic Segmentation)

全卷积网络 FCN 详解

CNN网络学习(2):ZFNet,OverFeat,FCN,FPN_第4张图片

贡献:

① 不含全连接层(fc)的全卷积(fully conv)网络,可适应任意尺寸输入

② 增大数据尺寸的反卷积(deconv)层,能够输出精细的结果

③ 结合不同深度层结果的跳级(skip)结构,同时确保鲁棒性和精确性

4、FPN(2017):

FPN详解

CNN网络学习(2):ZFNet,OverFeat,FCN,FPN_第5张图片

贡献:

图像中存在不同尺寸的目标,而不同的目标具有不同的特征,利用浅层的特征就可以将简单的目标的区分开来,利用深层的特征可以将复杂的目标区分开来。构造特征金字塔将低层特征和深层特征进行融合,获得一个强语义信息,这样可以提高检测性能。

你可能感兴趣的:(阅读笔记)