《表1 VGGNet-16中5个卷积模块的详细参数》

  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

《基于多尺度双线性卷积神经网络的多角度下车型精细识别》

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

卷积神经网络的多尺度特征融合在深度学习中具有重要的应用。在CNN中，浅层结构学习到了图像的轮廓、纹理等特征，深层结构学习到抽象的语义特征，如果将浅层特征和深层特征进行融合，势必会增强特征的表达能力。Res Net[13-14]的一个重要特性便是融合特性，其中的“短路连接”（Skip Connection）结构相当于将多个残差单元进行了并联，实现了不同尺度特征的融合。Dense Net[15]借鉴了Res Net的融合思想，不同层次间融合的跨度更大，且实现了通道之间的融合。受上述两种网络结构的启发，本文对B-CNN中负责特征提取的子网络B（VGGNet-16）进行了改进，将最后一层卷积的输出和前面卷积块的卷积核的输出作内积，以此达到融合不同层次的特征的目的。VGG16由5个卷积模块组成，表1展示了VGGNet-16[16]中5个卷积模块的详细参数。