假设需要训练一个卷积神经网络，来完成 0~9 和英文字母（不区分大小写）的图像分类。该卷积神经网络最后一层是分类层，则最后一层输出向量的维数大小可能是（）。

A.36

B.62

C.10

D.26

A.Fast-RCNN将候选区域的特征获取和分类放在一个卷积神经网络

B.可以把分类损失和边框精调的回归损失加在一起训练卷积神经网络，降低了Fast-RCNN的mAP

C.舍弃了R-CNN的多尺度池化，并且对全连接层矩阵相乘使用了SVD，提高了算法的速度

D.候选框的目标分类和边框精调都由卷积神经网络承担，这也提高了算法的速度

A.可以把分类损失和边框精调的回归损失加在一起训练卷积神经网络，降低了Fast-RCNN的mAP

B.候选框的目标分类和边框精调都由卷积神经网络承担，这也提高了算法的速度

C.舍弃了R-CNN的多尺度池化，提高了算法的速度

D.Fast-RCNN将候选区域的特征获取和分类放在一个卷积神经网络

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.在自然语言处理领域的应用比计算机视觉领域更广泛、更成功

B.图像的卷积，很类似视觉皮层对图像进行某种特定功能的处理

C.卷积神经网络模拟了人类视觉信息处理的过程

D.模拟大脑的视觉处理过程就是卷积神经网络的思路

A.全连接层

B.隐藏层

C.汇聚层

D.卷积核