与具有池化的 CNN 相比，全卷积神经网络有什么好处？答案

【问题标题】：What are the benefits of fully convolutional neural networks, compared to CNNs with pooling?与具有池化的 CNN 相比，全卷积神经网络有什么好处？
【发布时间】：2021-05-21 01:31:05
【问题描述】：

我已经阅读了一些关于用于对象检测的不同 CNN 的信息，发现我正在研究的大多数模型都是完全卷积网络，例如最新的 YOLO 版本和视网膜网络。

除了具有较少不同层的 FCN 之外，FCN 与具有池化的传统 CNN 相比有哪些优势？我已经阅读了https://arxiv.org/pdf/1412.6806.pdf，当我阅读它时，该论文的主要兴趣是简化网络结构。这是现代检测/分类网络不使用池化的唯一原因，还是有其他好处？

【问题讨论】：

可能是模型的大小，因为卷积层有更多的特征图，因此难以部署在内存受限的设备上
这对你有很大帮助:) stackoverflow.com/a/55590314/9338741

标签： machine-learning deep-learning computer-vision artificial-intelligence conv-neural-network

【解决方案1】：

通过 FCN，我们避免使用密集层，这意味着更少的参数，因此我们可以让网络学习得更快。

如果您避免合并，您的输出将与您的输入具有相同的高度/宽度。但我们的目标是减小卷积的大小，因为它的计算效率更高。此外，通过池化我们可以更深入，因为我们通过更高层单个神经元“看到”更多的输入。此外，它有助于跨不同尺度传播信息。

通常，这些网络包含一个用于提取所有必要特征的下采样路径和一个用于将高级特征重建回原始图像尺寸的上采样路径。

有一些架构，例如“全卷积网络”。 Springenberg，在某种意义上避免了集中，有利于速度和简单性。在本文中，作者用 stride-2 卷积替换了所有池化操作，并在输出层使用了全局平均池化。全局平均池化操作减少了给定输入的维度。

【讨论】：