66问答网
所有问题
卷积神经网络 测试图像和 训练图像 大小要一样吗
如题所述
举报该问题
推荐答案 2017-10-23
这取决于你的卷积神经网络中是否存在全连接层,因为不同于全连接层,卷积神经网络中的参数是卷积核的权重,与输入大小无关。如果是全卷积网络,那么对于输入的图像分辨率要求不高,可以大小随意,不过多少应该会有影响。不过如果其中含有全连接层就需要保证输入图像大小一致,可以通过线性插值的方式进行放缩。
温馨提示:答案为网友推荐,仅供参考
当前网址:
http://66.wendadaohang.com/zd/pxpsx9DUvUUU2UD9iD.html
相似回答
关于
卷积神经网络
的
训练
样本
及测试
样本
答:
注意:训练样本和测试样本是不一样的
。判断正确和错误,主要是看能不能通过训练分析机以及是否在误差内。正确率的得出:对测试样本进行测试,看看识别出来的有哪些,除以测试样本的总数即可。
哪个
神经网络
输入
图像
长和宽不
一样
答:
卷积。
卷积神经网络
输入
图像
长和宽不一样是为了处理不同
尺寸
的图像,提高网络的灵活性和适应性,同时减少信息损失和计算复杂度。
卷积神经网络
里输入
图像大小
何时是固定,何时是任意
答:
卷积神经网络与
传统的人脸检测方法不同,它是通过直接作用于输入样本,用样本来
训练
网络并最终实现检测任务的。它是非参数型的人脸检测方法,可以省去传统方法中建模、参数估计以及参数检验、重建模型等的一系列复杂过程。本文针对
图像
中任意
大小
、位置、姿势、方向、肤色、面部表情和光照条件的人脸。3、文字...
卷积神经网络
答:
如果原输入的高和宽是 和 ,卷积核的高和宽是 和 ,在高的两侧一共填充 行,在宽的两侧一共填充 列,则输出形状为: ) 我们在
卷积神经网络
中使用奇数高宽的核,比如3×3,5×5的卷积核,对于高度(或宽度)为
大小
为2k+1的核,令步幅为1,在高(或宽)两侧选择大小为k的填充,便可保持输入与输出
尺寸相同
。 4.2 ...
神经网络训练
时为什么用224*224的
图像
块
答:
由于全连接是固定
大小
的也就是说全连接的参数是一定的,这就需要确保前面的size或者所到全连接之前的feature map的大小是需要固定的,从最底层向上一直推导到input层,那么图片的大小也就是一定的了,不是说一定要用这个size的,其实你只要将最后的全连接改了,什么size都可以了。
CNN
卷积神经网络
DeepLearnToolbox问题
答:
我没用过CNN,我只能就matlab
神经网络
普遍存在的问题回答你,1,同样的输入
训练
样本和
测试
样本得到不一样的结果,可能是因为权值初始化是随机的,每个随机的初始值在训练的时候,误差只能收敛到那片区域的局部最小值,而不能保证全局最小值。就像你被随机传送到一片起伏不定的山区,你沿着下山路径走到...
大家正在搜
基于卷积神经网络的图像分类
卷积神经网络图像预处理
卷积神经网络图像分割
基于卷积神经网络的图像修复
卷积神经网络提取图像特征
卷积神经网络处理残缺图像
基于卷积神经网络的图像识别
卷积神经网络图像处理的优势
深度卷积神经网络图像识别
相关问题
卷积神经网络学习 输入不是严格尺寸 变形后能学习吗
卷积神经网络中用1*1 卷积有什么作用或者好处
数据少合适用卷积神经网络进行训练测试吗
如何利用卷积神经网络提取图像特征
训练一个图像识别分类的卷积神经网络,使用什么配置的电脑比较好
关于卷积神经网络的训练样本及测试样本
卷积神经网络训练精度高,测试精度很低的原因
卷积神经网络具体怎样训练