CNN神经网络对图像特征提取带来了变革性的变化,使之前的人工特征提取升级到数据驱动的自动特征提取,在CNN中,起到特征提取作用的网络层是()。
A.卷积层
B.全连接层
C.池化层
D.采样层
A.卷积层
B.全连接层
C.池化层
D.采样层
A.卷积神经网络只能处理图像信息
B.卷积神经网络是深度学习的代表算法之一
C.卷积神经网络可以用于遥感图像的分割
D.卷积神经网络不只包含卷积层
A.增强图像
B.简化图像
C.特征提取
D.图像处理
A.CNN和RNN都属于神经网络,因此二者的训练方式完全一致,均采用BP算法。
B.CNN和RNN都采用了权值共享机制以减少网络中的参数量。
C.在同一个网络中,CNN结构和RNN结构不能同时使用。
D.CNN适用于图像处理,而RNN适用于序列数据处理。
卷积神经网络中每层卷积层(convolutional layer)由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法最佳化得到,其作用是()。
A.增强图像
B.简化图像
C.特征提取
D.图像处理
A.CNN中的全连接层常用softmax作为激活函数。
B.CNN中的池化层用于降低特征图维数,以避免过拟合。
C.CNN由卷积层、池化层和全连接层组成,常用于处理与图像有关的问题。
D.由于卷积核的大小一般是3*3或更大,因此卷积层得到的特征图像一定比原图像小。
A.提出候选框生成网络,取代了SelectiveSearch
B.在RPN与最终输出的两个阶段,将分类损失和框回归损失进行联合后对网络进行优化
C.采用ROIpooling层,加速特征提取过程
D.将CNN提取到的特征送入SVM进行分类
A.非监督学习的样本数据是要求带标签的
B.监督学习和非监督学习的区别在于是否要求样本数据带标签
C.强化学习以输入数据作为对模型的反馈
D.卷积神经网络一般用于图像处理等局部特征相关的数据
A.网格结构
B.数组结构
C.序列结构
D.表格结构