时时彩计划软件,时时彩玩法技巧,北京赛车规律数字高手,购彩平台 凤凰彩票

NN上削减冗余计较一种普遍合用的架构转换学界正在有池时时彩开奖号化层、1步幅的C

时间:2018-06-17 01:31来源:未知 作者:admin 点击:
北京pk10图 4 展现了 22 池化的展开。当存正在多个池化层是,间接展开相当复杂。这也许是之前研究避免池化层的一个缘由。 正在本文中,研究者展现了一个漂亮的、可推广的避免冗余

  北京pk10图 4 展现了 2×2 池化的展开。当存正在多个池化层是,间接展开相当复杂。这也许是之前研究避免池化层的一个缘由。

  正在本文中,研究者展现了一个漂亮的、可推广的避免冗余计较的方式,存正在池化层或步幅为 1 时本方式仍然无效。此方式只需要正在原始 CNN 层的根本上添加实现转置和沉塑(reshape)运算的神经层。这两种运算根基正在所有的机械进修框架中都合用。别的,此方式几乎能够正在目前所有的 CNN 架构中利用。

  图 2:通过本文的方式,从收集 CP 中生成收集 CI。时时彩开奖号CI 成果和正在图像 I 的每个图像块上独立运转 CP 获得的成果不异。但 CI 运转速度更快,由于其避免了堆叠图像块上的冗余计较。

  所有基于图像块的使命,正在近邻的 CNN 计较之间都存正在大量冗余,如图 1 所示。若是没有池化层(pooling layer)或步幅等于 1(striding layer),则能够通过正在整张图像上运转某个通过无限图像块锻炼的 CNN 来避免这些计较冗余。但若是存正在池化层,环境就会变得很复杂。目前,人们的做法一般是:完全避免池化层或步幅为 1 [13]、间接利用冗余计较 [5] 或设想出一个也能获得更稀少成果的方式 [6, 7]。研究者认识到,仅有他们之前的研究 [1] 来测验考试避免这一冗余,但也没有细致引见用于避免冗余的方式。

  表 1:CP 和 CI 的速度基准测试。时时彩开奖号后者的速度较着更快,正在更大图像上尤为如斯。研究者供给了基准测试的源代码做为弥补材料,以满脚复现性要求。对于 CP 而言回忆并不是一个大问题(见注释)。

  虽然绝大大都的 CNN 都间接运转正在整张图像上,但还有良多主要使命需要利用基于图像块(patch based)的 CNN 来处置:正在一个临近、堆叠的图像块上多次运转统一个 CNN。NN上削减冗余计较一种普遍合用的架构转换这类问题大多能够归为基于 CNN 的特征提取的范围 [8, 10],此中包罗如开麦拉校准、图像块婚配 [2]、cnn光流估量 [1, 5],时时彩开奖号以及立体婚配 [13]。另一方面,cnn也有一些主要的基于图像块的使用场景,如滑动窗口的物体识别取检测 [7],凡是并不会被归为特征提取使命。

  图 1:左:一个简单的 1 维 CNN。左:若是将此 CNN 运转正在图像的每个像素位上,来为每个像素位创制特征,很多两头层成果会正在收集之间实现共享。节点上的数字为该节点被共享的次数。红色毗连展现了红色节点是若何共享的。步长为 2 的池化减半了输出分辩率。因而,我们需要两个池化层:一个原始的(蓝色)和一个平移了一个像素的(绿色),学界正在有池时时彩开奖号化层、1步幅的C来避免输出分辩率被减半。

  图 3:图像分歧位置的图像块 P(红线暗示)。第一个图像块 P(x, y) 需要的图像块 2x2 池化(蓝色)和第二个图像块 P(x + 1, y) 所需的(绿色)分歧。但图像块 P(x + 2, y) 则能够再利用第一个池化(蓝色)。P(x, y) 和 P(x + 2, y) 的堆叠部门成果不异,因而能够共享(黄色部门)。蓝色图像块和绿色图像块之间无法共享池化。

  CNN 的近邻图像块计较中一般都存正在冗余问题,当存正在池化层或步幅为 1 时,削减冗余的方式将变得愈加复杂。本文中,来自德国 m5彩票开户 研究核心等机构的研究者提出了一种正在有池化层和步幅为 1 时也能无效削减冗余的方式。他们的方式遍及性很强,可使用于几乎全数现有的 CNN 架构上,来实现快速的特征提取。

  图 3 展现了池化的次要问题:分歧的图像块 P(x, y) :即便它们本身是间接相邻的,如 P(x, y) 和 P(x+1, y),也需要分歧的池化,因而无法共享池化输出。

  论文布局如下:第 2 部门展现相关研究;第 3 部门展现本文的方式;第 4 部门展现该方式的一个基准测试。最初正在附录部门,为深度进修框架 Torch 的示例源代码,使本研究的贡献愈加清晰易懂。

  近年,很多研究表白,基于365网上赌场神经收集提取的特征比工程化特征表示更好。但目前还贫乏正在完整图像上高效提取局部特征的研究。本文展现了一种当存正在池化层和步幅为 1 时,对完整图像计较基于图像块的局部特征注释器的高效算法。这是一种通用方式,能够使用于几乎所有的现有神经收集架构。这包含了所有的用于局部特征提取的神经收集,如开麦拉校准、图像块婚配、光流估量,以及立体婚配。别的,此方式也能够使用于其他基于图像块的方式,如滑动窗口的物体检测取识别。我们将一个基于 CNN 的特征提取方式使用于整张图像,并给出利用/未利用我们的加快方式下的速度基准测试,以及对应的(Torch)示例代码:这表白肆意 CNN 架构都能够轻松地用我们的方式转换。

(责任编辑:admin)
顶一?
(0)
0%
踩一?
(0)
0%
------分隔?----------------------------