深度学习原理32——输入图像尺寸对网络影响
图像大小1 一般大小都是固定的2 卷积池化层对输入图像没要求3 全连接层对输入图像有要求4 Fast R-CNN解决这个问题1 一般大小都是固定的对于一个分类或者检测模型，输入图像的大小是固定的，227227，224224，606*608.2 卷积池化层对输入图像没要求分析整个网络就会发现，卷积层和池化层是对网络的输入没有要求的，输入多大他们都一样，对输入图像有要求的只有全连接层。3 全连接层对输
·
1 一般大小都是固定的
对于一个分类或者检测模型，输入图像的大小是固定的，227227，224224，606*608.
2 卷积池化层对输入图像没要求
分析整个网络就会发现，卷积层和池化层是对网络的输入没有要求的，输入多大他们都一样，对输入图像有要求的只有全连接层。
3 全连接层对输入图像有要求
全连接层的输入就是前面相连的层的输出，如果训练好的模型给全连接层的输入为5个神经元，那之后测试的时候，图像宽高变大2倍，给全连接层的输入为20个神经元，神经元个数不一致，里面的权值就无法对应。
4 Fast R-CNN解决这个问题
通过添加了SPP layer空间金字塔解决这个问题，卷积层的不同大小输出，经过SPP layer空间金字塔处理，输出为同样大小，然后在传给全连接层。
腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。
更多推荐
2
0- 0
已为社区贡献16条内容
所有评论(0)