以下有关卷积神经网络的说法哪些是正确的？
A: 单纯增加卷积神经网络的深度不一定能获得比较好的性能
B: 增加卷积神经网络每层卷积核的多样性可以改善网络的性能
C: 采用小卷积的级联可以起到大卷积的作用，但减少了网络的参数和过拟合，因此可能获得较高的分类性能
D: 卷积神经网络的特征图中的特征很容易归纳解释
A: 单纯增加卷积神经网络的深度不一定能获得比较好的性能
B: 增加卷积神经网络每层卷积核的多样性可以改善网络的性能
C: 采用小卷积的级联可以起到大卷积的作用，但减少了网络的参数和过拟合，因此可能获得较高的分类性能
D: 卷积神经网络的特征图中的特征很容易归纳解释
举一反三
- 有关卷积核的大小对卷积神经网络的影响，哪个说法是正确的？ A: 大的卷积核对应的感受野比较大，更容易获得图像的特征 B: 小的卷积核级联的效果等价于大卷积核的效果，但权重等参数会大大减少 C: 过大的卷积核对应大量的参数，卷积神经网络不容易出现过拟合 D: 小的卷积核可以获得图像比较细致的特征，它们组合起来可能降低网络的分类准确率
- 卷积神经网络就是含卷积层的网络。
- 下列不属于常见的深度神经网络结构有（ ）。 A: 单一神经网络 B: 长短时记忆网络 C: 卷积神经网络 D: 循环神经网络
- 以下有关卷积神经网络的说法，哪些是错误的？ A: 卷积核中的取值都是事先人工设计的，在网络的训练过程中不变化 B: 共享权重大大减少了参数的个数，降低了网络的复杂度 C: 通过增加卷积核的大小和通道的个数，可以提升卷积神经网络特征获取的能力 D: 卷积核越大，即感受野越大，网络需要优化的参数越少，训练速度越快
- 选择最能代表下面主要概念的检索词集：基于卷积神经网络的图像语义分割 A: 卷积神经网络 图形 实例分割 B: 卷积神经 网络 图像语义分割 C: CNN 图像 语义分割 D: 卷积神经网络 图像 语义分割