《表3 多尺度小卷积核变体网络架构与结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《多尺度残差网络模型的研究及其应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

同一卷积模块同时并联1×1、3×3、5×5三种感受野大小的卷积核和把5×5的卷积核分解成两个3×3或者分解成两对3×1、1×3的卷积核均有有助于网络模型性能的提升，因而将Lenet2网络中的5×5的卷积核分解成两个3×3的卷积核得到Lenet7网络，将Lenet2中的3×3、5×5分解成非对称的3×1和1×3、5×1和1×5得到Lenet8，进而将Lenet7中的3×3卷积核分解成3×1和1×3得到Lenet9，对应的第一卷积模块可视化特征如图8所示，图中虚线框的感受野同5×5卷积核等效，但比单个5×5卷积核的特征表达能力更强，同时需要学习的参数大幅度降低。图8（d）同时并联使用不同尺寸的卷积核能提取的特征数量更多，而且最后得到的特征层次相对更抽象。网络架构参数和测试结果如表3所示。Lenet9模型使用的多尺度非对称小卷积核得到的特征图噪声最低，分类准确率最高，故并联使用1×1、3×1、1×3非对称的小卷积核的性能最优。