从中间层提取CNN特征
我想使用SVM测试我的卷积神经网络（CNN）架构的每个卷积层的性能。我正在使用MatConvNet Matlab工具箱。
图层如下：Conv1 Relu1 Pool1（3x3，32个功能）-
训练后，我移除了损失层
net.layers=net.layers(1 : end - 1);
我可以提取这样的特征：
feats = vl_simplenn(net, im) ;
Feautre_L1(fea,:) = squeeze(feats(end).x);
类似地，我又删除了2层，并从Conv4中提取了256个特征。但当我转到Conv3时，输出特性是7x7x128。我想知道如何使用这些特性I）生成单个向量ii）深度平均值？
共有1个答案
在您的示例中，可以将7x7x128映射转换为6727维的数组。如果您有一个中间贴图，其展平数组具有高维性（例如100k-d），您可能希望降低其维度（例如通过PCA），因为它的特征中可能包含大量冗余。
至于组合特征，有很多方法。您提到的一个选项是创建一个连接所需图层输出的单个向量，并在此基础上训练分类器。这称为早期融合[1]，在训练之前将您的特征组合为单个表示。
另一种可能性是为每个特征训练一个单独的分类器（在您的情况下是每个中间层的输出），然后对于测试图像，您将这些单独分类器的输出/分数结合起来。这被称为后期融合[1]。
您可以进行的一项探索是，在训练SVM之前，调查您应该选择哪些层（用于早期融合或晚期融合）。这[2]是一篇有趣的论文，作者们在这篇论文中探索了一些类似的东西（分析了将最后几层的输出分别用作特征时的性能）。据我所知，他们的调查是在迁移学习的背景下进行的（使用在类似问题中预先训练过的模型来处理/解决另一项任务）。
[1] “语义视频分析中的早期与晚期融合”
[2] “美国有线电视新闻网（CNN）现成的特色：令人震惊的识别基线”
-
参考这里. Common Layers For a neural network architecture to be considered a CNN, it requires at least one convolution layer (tf.nn.conv2d). There are practical uses for a single layer CNN (edge detection
-
让我们以whalesay图片为例<代码>docker history显示以下内容： 我想提取显示为的层。有这样做的工具/方法吗？
-
昨天我学习了卷积神经网络，并使用Tensorflow完成了一些CNN的实现，所有的实现都只指定了过滤器的大小、数量和步长。但当我了解到过滤器时，它说每一层上的过滤器都会提取不同的特征，如边、角等。 我的问题是，我们能否明确指定过滤器，我们应该提取哪些特征，或者图像的哪个部分更重要等等 所有的解释都是说，我们将输入图像的一小部分进行卷积滑动。如果是这样的话，我们是否要获取图像的所有部分并在图像上进行
-
我有一个JSON如下 有没有什么方法可以直接将“ID”的值提取到变量中，而不需要遍历根元素，即“Root1”。因为每次运行应用程序时根元素名称都会发生变化，比如“Root2”、“Root3”。 下面是我尝试使用“Root1”和“Result”元素提取ID的代码
-
卷积神经网络中的“局部”层和“密集”层有什么区别？我正在尝试理解TensorFlow中的CIFAR-10代码，我看到它使用“局部”层而不是规则的密集层。TF中是否有支持实现“本地”层的类？
-
问题内容： 我有一个包含6列的R数据框，并且我想创建一个仅包含三列的新数据框。 假设我的数据帧df，我想提列A，B和E，这是唯一的命令，我可以计算出： 有没有更紧凑的方法可以做到这一点？ 问题答案： 如果您的data.frame被调用，则使用dplyr包df1： 也可以在不使用%>%管道的情况下将其写为：