Utjämning

Övergång från funktionsutvinning till klassificering

Efter att konvolutions- och poolningslager har extraherat viktiga egenskaper från en bild, är nästa steg i ett konvolutionellt neuralt nätverk (CNN) klassificering. Eftersom fullt anslutna lager kräver en endimensionell inmatning, måste vi konvertera de flerdimensionella funktionskartorna till ett format som är lämpligt för klassificering.

Omvandling av funktionskartor till en 1D-vektor

Flattening är processen att omforma utdata från konvolutions- och poolningslager till en enda lång vektor. Om en funktionskarta har dimensionerna X × Y × Z, omvandlar flattening den till en 1D array med längden X × Y × Z.

Till exempel, om den slutliga funktionskartan har dimensionerna 7 × 7 × 64, omvandlar flattening den till en (7 × 7 × 64) = 3136-dimensional vektor. Detta möjliggör att de fullt anslutna lagren kan bearbeta de extraherade egenskaperna effektivt.

Betydelsen av att platta ut innan inmatning till fullt anslutna lager

Fullt anslutna lager arbetar enligt en standardiserad neuronnätsstruktur, där varje neuron är kopplad till varje neuron i nästa lager. Utan utplattning kan modellen inte tolka den rumsliga strukturen hos funktionskartorna korrekt. Utplattning säkerställer:

• Korrekt övergång från funktionsdetektion till klassificering;
• Sömlös integration med fullt anslutna lager;
• Effektiv inlärning genom att bevara extraherade mönster för slutgiltigt beslutsfattande.

Genom att platta ut funktionskartorna kan CNN:er utnyttja högre nivåers egenskaper som lärts in under konvolution och pooling, vilket möjliggör noggrann klassificering av objekt i en bild.