Я читал статью VGG16 очень глубокие сверточные сети для крупномасштабного распознавания изображений
В 3.2 ТЕСТИРОВАНИЕ говорится, что все полносвязные слои заменены некоторыми уровнями CNN.
А именно, полносвязные слои сначала преобразуются в сверточные слои (первый слой FC в сверточный слой 7 × 7, последние два слоя FC в сверточные слои 1 × 1). Полученная полностью сверточная сеть затем применяется ко всему (не обрезанному) изображению. Результатом является карта оценки классов с количеством каналов, равным количеству классов, и переменным пространственным разрешением, зависящим от размера входного изображения. Наконец, чтобы получить вектор оценок классов для изображения фиксированного размера, карта оценок классов пространственно усредняется (суммируется).
Таким образом, архитектура VGG16 (конфигурация D) при прогнозировании на тестовом наборе будет
input=(224, 224)
conv2d(64, (3,3))
conv2d(64, (3,3))
Maxpooling(2, 2)
conv2d(128, (3,3))
conv2d(128, (3,3))
Maxpooling(2, 2)
conv2d(256, (3,3))
conv2d(256, (3,3))
conv2d(256, (3,3))
Maxpooling(2, 2)
conv2d(512, (3,3))
conv2d(512, (3,3))
conv2d(512, (3,3))
Maxpooling(2, 2)
conv2d(512, (3,3))
conv2d(512, (3,3))
conv2d(512, (3,3))
Maxpooling(2, 2)
Dense(4096) is replaced by conv2d((7, 7))
Dense(4096) is replaced by conv2d((1, 1))
Dense(1000) is replaced by conv2d((1, 1))
Значит, эта архитектура используется только для тестирования?
Все ли последние 3 уровня CNN имеют 1000 каналов?
Результатом является карта оценки класса с количеством каналов, равным количеству классов.
Поскольку размер входных данных составляет 224 * 224, размер выходных данных после последнего слоя Maxpooling будет равен (7 * 7). Почему написано переменное пространственное разрешение? Я знаю, что у него есть мультиклассовое масштабирование, но перед вводом оно будет обрезано до изображения (224, 224).
И как VGG16 получает вектор (1000,)? Что здесь является пространственно средним (суммированным)? Добавляет ли он просто слой объединения сумм с размером (7, 7), чтобы получить массив (1, 1, 1000)?
карта оценок класса пространственно усреднена (суммирована)
В 3.2 ТЕСТИРОВАНИЕ
Кроме того, оценка нескольких культур дополняет плотную оценку из-за различных граничных условий свертки: при применении ConvNet к культуре свернутые карты функций дополняются нулями, тогда как в случае плотной оценки заполнение для той же культуры естественно появляется. от соседних частей изображения (как из-за сверток, так и из-за пространственного объединения), что существенно увеличивает общее воспринимающее поле сети, поэтому захватывается больше контекста.
Значит, оценка с несколькими культурами и плотностью будет использоваться только на проверочном наборе?
Допустим, размер входных данных равен (256, 256), при многократном кадрировании может быть получен размер изображения (224, 224), при этом центр кадрированного изображения может быть другим, например [0:223, 0:223] или [1:224, 1:224]. Правильно ли я понимаю, что такое мультикроп?
А что такое плотная оценка? Я пытаюсь найти их в Google, но не могу получить соответствующие результаты.
