自动编码器网络与全卷积网络的区别

Question

自动编码器网络和完全卷积网络之间的主要区别是什么？请帮我理解这两个网络架构的区别？

Answer 1

1] AutoEncoder：

• Autoencoder是一种降维技术
• 它有两个部分，编码器和解码器
• 编码器将原始数据映射到隐藏的表示（潜在空间表示）
• 解码器将隐藏表示映射回原始数据
• 网络自动学习这个隐藏的表示，结果表明这个隐藏的表示是数据最重要的特征
• 因此，原始数据作为编码器的输入，并输出潜在空间表示
• 现在编码器的输出是解码器的输入，它将尝试重新生成原始数据
• 自动编码器是无监督学习的类型
• 下面是使用编码器网络中的卷积层和解码器网络中的解卷积层的自动编码器的图

2]卷积网络：

• 卷积网络用于图像
• 在卷积网络中，过滤器集用于卷积
• 过滤器在数据中共享
• 这意味着您的数据共享权重
• 过滤器的每个像素值都是一个重量
• 要了解卷积操作，请查看此链接https://www.youtube.com/watch?v=C_zFhWdM4ic
• 每个卷积层都执行此卷积操作
• 卷积网络是监督学习的类型
• 卷积网络使用池化操作进行下采样
• 下面是卷积网络的图表
• 在上图中，分类器通常是完全连接的层
• 但是没有必要将完全连接的层作为分类器。您可以使用其他分类器
• 你可以参考这个来理解卷积网络和MLP网络之间的区别：http://cs231n.github.io/convolutional-networks/

3]完全连接的图层：

• 这些是带神经元的简单层
• 每个神经元都有一组基于输入的权重
• 下面是完全连接层的图表

Answer 2

自动编码器至少有一个隐藏的完全连接层，“通常称为代码，潜在变量或潜在表示”Wikipedia。实际上，自动编码器根本不必是卷积网络 - Wikipedia只声明它们是前馈非循环网络。

另一方面，完全卷积网络没有任何完全连接的层。有关更多详细信息，请参阅Wikipedia和this paper by Cicek et al.（该论文具有良好的网络可视化）。

因此，即使自动编码器网络中的编码器和解码器都是CNN，在它们之间也存在至少一个完全连接的隐藏层。因此，自动编码器网络不是FCN。