基于ResNet50和Cifar10数据集的全卷积图像识别分类源码+项目说明(Jupyter Notebook运行).zip

1.项目代码功能经验证ok，确保稳定可靠运行。欢迎下载使用！ 2.主要针对各个计算机相关专业，包括计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网等领域的在校学生、专业教师或企业员工使用。 3.项目具有丰富的拓展空间，不仅可作为入门进阶，也可直接作为毕设、课程设计、大作业、初期项目立项演示等用途。 4.当然也鼓励大家基于此进行二次开发。在使用过程中，如有问题或建议，请及时私信沟通。 5.期待你能在项目中找到乐趣和灵感，也欢迎你的分享和反馈！ 【资源说明】 基于ResNet50和Cifar10数据集的全卷积图像识别分类源码+项目说明(Jupyter Notebook运行).zip **全卷积模型**：本项目将**CNN**模式后面的**全连接层换成卷积层**，所以整个网络都是**卷积层**。其最后输出的是一张已经标记好的**热图**，而**不是一个概率值**。 通常的CNN网络中，在最后都会有几层全连接网络来融合特征信息，然后再对融合后的特征信息进行softmax分类，如下图所示： 假设最后一层的**feature_map**的大小是**7x7x512**，那么**全连接层**做的事就是用**4096个7x7x512**的滤波器去卷积这个最后的**feature_map**。所以可想而知这个参数量是很大的！！ 但是**全卷积网络**就简单多了。**FCN**的做法是将最后的全连接层替换为**4096个1x1x512**的**卷积核**，所以最后得出来的就是一个二维的图像，然后再对这个二维图像进行**上采样**（反卷积），然后再对最后反卷积的图像的每个像素点进行softmax分类。 我们都知道卷积层后的**全连接目的**是将 卷积输出的二维特征图（feature map）转化成（$N\times 1$）**一维的一个向量**因为传统的卷积神经网络的输出都是分类（一般都是**一个概率值**），也就是几个类别的概率甚至就是一个类别号，那么全连接层就是高度提纯的特征了，方便交给最后的分类器或者回归。 根据全连接的目的，我们完全可以利用卷积层代替全连接层，在输入端使用 $M\times M$ 大小的卷积核将数据“扁平化处理”，在使用 $1\times 1$ 卷积核对数据进行降维操作，最终卷积核的通道数即是我们预测数据的维度。这样在输入端不将数据进行扁平化处理，还可以使得图片保留其空间信息: 使用全卷积层的优点: * 全卷积层能够兼容不同大小的尺寸输入。 * 与global avg pooling类似，可以大大减少网络参数量 **CIFAR-10**是一个更接近**普适物体**的彩色图像数据集。CIFAR-10 是由Hinton 的学生Alex Krizhevsky 和Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含**10 个类别**的**RGB**彩色图片：**飞机**(airplane)、**汽车**(automobile)、**鸟类**(bird)、**猫**(cat)、**鹿**(deer)、**狗**(dog)、**蛙类**(frog)、**马**(horse)、**船**(ship)和**卡车**(truck). 每个图片的尺寸为$32\times 32$，每个类别有**6000**个图像，数据集中一共有**50000**张训练图片和**10000**张测试图片。