深度学习中的特征融合方式（add/concate）

文章预览

concat 是 通道数 叠加，描述图像本身的特征增加了，而 每一特征下的信息是没有增加 。 add 为简单的像素叠加， 通道不变 ；add后描述图像的 特征下的信息量增多了 ，但是描述图像的维度本身并没有增加，只是 每一维下的信息量在增加 ，这显然是对最终的图像的分类是有益的。 特征add的时候就是增加特征的 信息量 ，特征concat的时候就是增加特征的 数量 ， 注重细节的时候使用add，注重特征数量的时候使用concat 。 作用和注意事项 Concate 作用：Concate操作用于将两个或多个张量在某个维度上连接在一起，生成一个更大的张量。这可以用于在深度学习模型中增加通道数或特征维度，以便在后续层中更好地捕获不同特征之间的关系。 示例：在卷积神经网络中，特征图通常具有形状为(batch_size, channels, height, width)，如果要在通道维度上连接两个特征图， ………………………………