A.使用卷积神经网络进行句子分类或者文档分类，卷积提取的特征与采用n-gram模式提取的特征类似
B.图像处理应用中，卷积核处理的局部区域为图像的一小块区域，而在文本分类时卷积核处理的局部区域通常为相邻的上下几行（几个词）。因此卷积核的宽度和输入矩阵的宽度相等
C.卷积神经网络只能用于图像分类，不能用于文本分类，没有相关文献
D.使用卷积神经网络进行句子分类，一般将句子中每个词表示为固定长度的向量，这样句子就可以表示为矩阵，从而使得在结构上与图像类似，并在后续进行卷积等处理
如搜索结果不匹配，请 联系老师 获取答案
更多“关于采用卷积神经网络进行图像分类和文本分类的比较，下列说法错…”相关的问题
第2题
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
第4题
A.36
B.10
C.62
D.26
第5题
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
第6题
A.36
B.62
C.10
D.26
第7题
A.卷积神经网络同时具备全连接神经网络和卷积运算的特点
B.卷积神经网络是一种前馈型神经网络
C.每个卷积层可包含多个卷积核来进行特征提取
D.卷积神经网络的特征提取阶段包括卷积层和池化层
第9题
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
第10题
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
第11题
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
为了保护您的账号安全，请在“赏学吧”公众号进行验证，点击“官网服务”-“账号验证”后输入验证码“”完成验证，验证成功后方可继续查看答案！
微信搜一搜
赏学吧
微信搜一搜
赏学吧
