卷积操作是卷积神经网络的一个重要功能,下面对卷积操作描述不正确的是()
A.卷积操作利用了图像中像素点存在空间相关性的特点
B.高斯卷积操作的结果是使得图像变得平滑(模糊)
C.卷积矩阵中的参数是手工事先指定的、且每幅图像之间不共享
D.卷积操作结果可认为是保留了像素点所构成的特定空间分布模式
A.卷积操作利用了图像中像素点存在空间相关性的特点
B.高斯卷积操作的结果是使得图像变得平滑(模糊)
C.卷积矩阵中的参数是手工事先指定的、且每幅图像之间不共享
D.卷积操作结果可认为是保留了像素点所构成的特定空间分布模式
第1题
A、对于图像而言,由于通常一般是局部的像素联系较为紧密,而距离较远的像素相关性则相对较弱。因而可以采用局部感知,即每个神经元可以只需对局部信息进行感知,然后在更高层将局部信息进行综合以得到全局的信息
B、可以把卷积想象成作用于矩阵的一个滑动窗口函数。滑动窗口又称作卷积核、滤波器或是特征检测器
C、对于给定的输入图像,卷积操作的输出图像中每一个像素实际上是输入图像中局部区域中像素的加权平均,其权值由一个函数定义,这个函数称为卷积核
D、其它答案都不对
第3题
A、大的卷积核对应的感受野比较大,更容易获得图像的特征
B、小的卷积核级联的效果等价于大卷积核的效果,但权重等参数会大大减少
C、过大的卷积核对应大量的参数,卷积神经网络不容易出现过拟合
D、小的卷积核可以获得图像比较细致的特征,它们组合起来可能降低网络的分类准确率
第4题
A、每个卷积层中的卷积核都需要处理全部接受到的信息
B、卷积神经网络是目前网络深度最深的深度神经网络模型之一
C、卷积核用来实现对输入信号的各种处理,不同的卷积核实现不同的功能
D、池化操作对多个卷积核得到的信息进行降维,只保留重要信息
第5题
A、卷积核越大越好。
B、不同卷积层或同一卷积层只能用一种大小的卷积核。
C、在卷积层之前使用池化操作,可以减少卷积层参数量。
D、类似AlexNet网络使用的分组卷积可以增加卷积层的参数量。
第6题
A、卷积神经网络的层与层之间都是全连接网络
B、卷积神经网络的层与层之间都是部分连接网络
C、卷积神经网络的层与层之间既有可能是全连接,也有可能是局部连接。通常是开始的若干层是局部连接,最后的层是全连接
D、卷积神经网络的层与层之间既有可能是全连接,也有可能是局部连接。通常是开始的若干层是全连接,最后的层是局部连接
第7题
A、卷积核的高和宽不一定是相等的,且一般大小取奇数
B、在特征图padding时,各方向的填充像素数不一定相同(不对称填充),也不一定补0
C、在卷积神经网络中,卷积和池化的作用主要是分类,全连接层的作用主要是特征获取
D、卷积神经网络的输出层不一定用全连接网络,也可能得到比较好的性能
第8题
A、卷积神经网络的层次结构依次是由输入层、卷积层、激活层、池化层和全连接层组成。
B、卷积神经网络的层次结构依次是由输入层、激活层、卷积层、池化层和全连接层组成。
C、卷积神经网络的层次结构依次是由输入层、卷积层、池化层、激活层和全连接层组成。
D、卷积神经网络的层次结构依次是由输入层、池化层、卷积层、激活层和全连接层组成。
第9题
A、各个神经元接受前一级神经元的输入,并输出到下一级
B、层与层之间通过“全连接”进行连接,即两个相邻层之间神经元完全成对连接
C、同一层内的神经元相互不连接
D、同一层内神经元之间存在全连接
第10题
A、如果参数较多,则容易导致过拟合。而减少参数有助于避免过拟合
B、参数共享的优势是通过一个任务上学习到的参数可以直接应用到另外一个任务上
C、可以允许一个特征检测器在整个输入图像的不同位置使用,即可以把参数看成是卷积提取特征的方式,该方式与位置无关
D、参数越多,才能避免过拟合,减少参数容易导致过拟合
为了保护您的账号安全,请在“上学吧”公众号进行验证,点击“官网服务”-“账号验证”后输入验证码“”完成验证,验证成功后方可继续查看答案!