A.因为它可以被用做监督学习
B.严格意义上它比卷积神经网络(CNN)效果更好
C.它比较适合用于当输入/输出是一个序列的时候(例如.一个单词序列)
D.RNNs代表递归过程.想法->编码->实验->想法->…
A.在卷积神经网络中,采用平均池化可减小误差,适用于需要突出纹理等特征的场景中
B.ResNet通过增加恒等映射,增加参数从而减少模型优化的难度,实现性能提升
C.空间金字塔池化(SPP)通过把图像的卷积特征转化成相同维度的特征向量,使模型可以处理任意尺寸的图像
D.批规范化(batchnormalization)是在不引入新参数的情况下保证每一层网络的输入具有相同的分布
A.可以把分类损失和边框精调的回归损失加在一起训练卷积神经网络,降低了Fast-RCNN的mAP
B.候选框的目标分类和边框精调都由卷积神经网络承担,这也提高了算法的速度
C.舍弃了R-CNN的多尺度池化,提高了算法的速度
D.Fast-RCNN将候选区域的特征获取和分类放在一个卷积神经网络
有一线性时不变系统的单位抽样响应为h(n),输入信号为x(n),若
用两种方法求该系统的输出信号y(n):(a)直接求线性卷积(b)用z变换求。