1. 首页首页
  2. 科技前沿科技前沿

2025年resnet网络输入的图片尺寸（resnet18每层输出尺寸）

科技前沿 • • 阅读 31

resnet网络输入的图片尺寸（resnet18每层输出尺寸）lecture 6 VGG13 16 19 目录 1 VGG 结构 2 VGG 结构解释 3 3 3 卷积核的优点 4 VGG 的 Multi Scale 方法 5 VGG 应用 LeNet5 用大的卷积核来获取图像的相似特征 AlexNet 用 9 9 11 11 的滤波器 VGG 巨大的进展是通过依次采用多个 3 3 卷积 模仿出更大的感受野 receptive field 效果 例如

大家好，我是讯享网，很高兴认识大家。



  • lecture 6：VGG13、16、19
  • 目录
  • 1、VGG结构
  • 2、VGG结构解释
  • 3、3*3卷积核的优点
  • 4、VGG的 Multi-Scale方法
  • 5、VGG应用

VGG16 和ResNet_卷积
讯享网

VGG16 和ResNet_ide_02

 这些思想也被用在更多的网络架构中，如 Inception 与 ResNet。VGG16的效果最好

VGG16 和ResNet_VGG16 和ResNet_03

VGG16 和ResNet_卷积核_04

  • VGG16 的第 3、4、5 块（block）：256、512、512个 3×3 滤波器依次用来提取复杂的特征。
  • 其效果就等于是一个带有 3 个卷积层的大型的 512×512 大分类器。

VGG16 和ResNet_ide_05

VGG16 和ResNet_ide_06

VGG16 和ResNet_卷积核_07

  •  LRN层作用不大。
     越深的网络效果越好。
     1*1的卷积也是很有效的，但是没有3*3的卷积好
     大的卷积核可以学习更大的空间特征







VGG9、VGG11、VGG13、VGG16、VGG19

小讯
上一篇 2025-06-07 07:48
下一篇 2025-06-08 07:18

相关推荐

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/166950.html