下面关于CNN的描述中，错误的说法是哪个？
A: 局部感知使网络可以提取图像的局部特征，而权值共享大大降低了网络的训练难度
B: 通道数量越多，获得的特征图（Feature map）就越多
C: 卷积是指对图像的窗口数据和滤波矩阵做内积的操作，在训练过程中滤波矩阵的大小和值不变
D: SAME填充和VALID填充的主要区别是前者向图像边缘添加0值，而后者可能会忽略来自图像边缘的值
A: 局部感知使网络可以提取图像的局部特征，而权值共享大大降低了网络的训练难度
B: 通道数量越多，获得的特征图（Feature map）就越多
C: 卷积是指对图像的窗口数据和滤波矩阵做内积的操作，在训练过程中滤波矩阵的大小和值不变
D: SAME填充和VALID填充的主要区别是前者向图像边缘添加0值，而后者可能会忽略来自图像边缘的值
C
举一反三
- 下面关于CNN的描述中，错误的是哪个？ A: SAME填充（padding）一般是向图像边缘添加0值 B: 卷积是指对图像的窗口数据和滤波矩阵做内积的操作，在训练过程中滤波矩阵的大小和值不变 C: 局部感知使网络可以提取数据的局部特征，而权值共享大大降低了网络的训练难度 D: 卷积核一般是有厚度的，即通道（channel),通道数量越多，获得的特征图（Feature map）就越多
- 下列关于CNN的描述中，错误的说法是哪个？ A: 局部感知使网络可以提取数据的局部特征， 而权值共享大大降低 了网络的训练难度 B: 卷积核一般是有厚度的， 即通道（ channel),通道数量越多， 获得 的特征图（ Feature map） 就越多 C: 卷积是指对图像的窗口数据和滤波矩阵做内积的操作， 在训练过 程中滤波矩阵的大小和值不变 D: SAME 填充（ padding） 一般是向图像边缘添加 0 值
- 下面关于CNN的描述中，正确的是哪些？ A: 局部感知使网络可以提取数据的局部特征，而权值共享大大降低了网络的训练难度。 B: 卷积核一般是有厚度的，即通道（channel),通道数量越多，获得的特征图（Feature map）就越多。 C: 卷积是指对图像的窗口数据和滤波矩阵做内积的操作，在训练过程中滤波矩阵的大小和值不变。 D: SAME填充（padding）是向图像边缘添加0值。
- 下面关于CNN的描述中，错误的是哪些？ A: 局部感知使网络可以提取数据的局部特征，而权值共享大大增加了网络的训练难度 B: 通道数量越多，获得的特征就越充分 C: 卷积是指对图像的窗口数据和卷积核做内积的操作，在训练过程中卷积核的大小和值不变 D: SAME填充和VALID填充的主要区别是前者向图像边缘添加0值，而后者可能对图像边缘的特征获取不足
- 下面关于卷积神经网络（CNN）的描述中，以下哪些说法是正确的？ A: 局部感知使网络可以提取数据的局部特征，而权值共享大大降低了网络的训练难度 B: 卷积核一般是有厚度的，即通道（channel），通道数量越多，获得的特征图（Feature map）就越多 C: 卷积是指对图像的窗口数据和滤波矩阵做内积的操作，在训练过程中滤波矩阵的大小和值不变 D: 等宽卷积是指卷积后的输出长度m与输入长度k一致，步长s=1，两端补零p=k−1。
内容
- 0
卷积核沿图像边缘操作时，卷积核窗口有可能超出图像边界，Conv2D 方法中参数 padding=“valid” 意为允许在图像边界外填充0值像素，以便卷积窗口超出图像部分也能进行卷积计算。。
- 1
关于以下线性滤波器的作用正确的是( ) A: 用于图像平滑的线性滤波器有如下特点:滤波矩阵中的值均大于等于0,且之和等于1。 B: 用于图像边缘提取的线性滤波器有如下特点:滤波矩阵中的值之和等于1,且值有正有负。 C: 用于图像边缘锐化的线性滤波器有如下特点:滤波矩阵中的值之和等于0,且值有正有负。 D: 如果需要保证滤波前后图像的平均亮度不变,则线性滤波器的滤波矩阵的数值相加之和为1。
- 2
卷积神经网络的特点是共享权值的网络结构和局部感知，可以直接将图像作为输入进行特征提取，避免了对图像的预处理和显示的特征提取。
- 3
卷积神经网络的特点是共享权值的网络结构和局部感知，可以直接将图像作为输入进行特征提取，避免了对图像的预处理和显示的特征提取。 A: 正确 B: 错误
- 4
对一幅数字图像，下面哪个方法可以用来提取图像的边缘特征？ A: 直方图均衡 B: 平滑滤波 C: 均值滤波 D: 拉普拉斯滤波