企业网站建设哪家效果好,wordpress 软件主题,wordpress忘记后台账号,回力网站建设初衷一、论文信息
论文名称#xff1a;Dynamic Filter Networks
作者团队#xff1a;NIPS2016 二、动机与创新 卷积层是通过将上一层的特征映射与一组过滤器进行卷积计算输出特征映射#xff0c;滤波器是卷积层的唯一参数#xff0c;通常用反向传播算法在训练中学习#xff…一、论文信息
论文名称Dynamic Filter Networks
作者团队NIPS2016 二、动机与创新 卷积层是通过将上一层的特征映射与一组过滤器进行卷积计算输出特征映射滤波器是卷积层的唯一参数通常用反向传播算法在训练中学习学习到的滤波器经训练后固定在测试中不变。 因此作者提出一个 Dynamic Filter Networks这个模型中的卷积核是可学习的通过学习将输入映射到过滤器的函数实现随输入的不同而变化。
三、模型结构
1. Dynamic Filter Networks包含两部分Filter-generating network和Dynamic filtering layer。第一部分的作用是产生卷积核第二部分是实现卷积核的乘法操作。 与卷积层相比动态卷积层接收两个输入第一个输入是来自前一层的特征映射InputB第二个输入是InputA经过网络学习的过滤器。 2. Dynamic convolution layer 下图这种操作是Sample-specific也就是说针对每个输入的样本卷积核共享就是我们常使用的标准卷积只是卷积核是可学习的。 3. Dynamic local filtering laye
下图的右边部分这种操作是Sample specific 和 Position specific每个像素点对应的卷积核不相同。 动态过滤层有两种形式动态卷积、动态局部过滤 图1和图2都是过滤器数目为1,feature map的channel为1的情况 图1是5 ∗ 5 的卷积核作为过滤器在B上以过滤器作为卷积核滑动是不同位置共享的 图2虽然是个立方体但也是一个过滤器只不过每个位置一个核保存的时候拉成一列(也为5 ∗ 5)用的时候每个位置一个卷积核恢复成原来形状使用即可。
