论文基础常识摘录

_Ocean__

已于 2022-11-27 13:56:02 修改

阅读量494

点赞数 1

CC 4.0 BY-SA版权

文章标签：深度学习网络人工智能

于 2022-11-25 22:21:25 首次发布

本文链接：https://blog.csdn.net/zjjaibc/article/details/128044491

指静脉识别专栏收录该内容

47 篇文章 ¥9.90 ¥99.00

订阅专栏

超级会员免费看

本文摘录了深度学习的基础知识，包括卷积神经网络的局部感受野、权值共享和池化层，以及AlexNet、VGGNet和ResNet的简介。还探讨了GAP和GMP在提取特征向量中的作用。此外，介绍了指静脉领域的发展和两种注意力机制的差别，重点关注通道和空间注意力。最后，简述了top-k accuracy的概念。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、有关深度学习部分的知识:

1.有关卷积神经网络基础知识：

①概述：

        卷积神经网络通过局部感受野、权值共享以及池化层操作用于减少网络的参数规模，并使得网络学习到的特征具有位置平移，尺度缩放等方面的不变性。卷积神经网络的局部感受野机制使得神经元之间进行局部连接，每个神经元只需要作用于局部神经元，而不用作用于所有的神经元，这样大大减少了神经元之间连接的数量。神经元的参数共享机制用于减少网络需要学习的参数，对一张图像用相同的卷积核进行卷积操作，意味着能够得到所有神经元处于图像不同位置的完全相同的特征，这样使得卷积神经网络拥有良好的位置平移不变性。池化操作是逐层降低特征图的大小来减少网络的参数数量和计算量，增加了模型的尺度、缩放等局部不变性，提高了网络的容错能力

②卷积层：

        卷积层是卷积神经网络中的特征提取层。

        由于卷积神经网络的权重共享机制，每个卷积核在特征图上进行滑动卷积操作时只能提取一种特征。浅层卷积层只能提取一些较为简单的特征，高层卷积层能从低级语义中提取更复