提升卷积神经网络对图像的特征获取能力有效的方法不包括以下哪些方面

A.采用不同大小的卷积：在开始的卷积层采用大卷积核获得粗略的特征，然后再后续的卷积层采用小卷积核获得细致的特征。

B.采用shortcut等方式，减少特征的损失。

C.增加池化操作。

D.在不同隐层调整卷积核大小。

A.采用不同大小的卷积：在开始的卷积层采用大卷积核获得粗大的特征，然后再后续的卷积层采用小卷积核获得细致的特征

B.同一隐层组合不同大小的卷积核函数

C.采用shortcut等方式，随着网络层次的加深，减少特征的损失

D.多增加池化操作

A.增加可调整参数的隐层数目

B.使用图像进行旋转、裁剪、拉伸、裁剪等进行样本增强

C.采用小卷积核，提高通道的个数

D.增强特征获取能力对样本按照一定的方式排序

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

A.卷积核中的取值在训练过程中不会发生变化。

B.共享权重大大减少了参数的个数，降低了网络的复杂度。

C.增加卷积核的大小和通道的个数，可以提升特征获取的能力，但同时速度可能会降低。

D.卷积核变大会减少网络需要优化的参数。

A.卷积神经网络 图形 实例分割

B.卷积神经 网络 图像语义分割

C.CNN 图像 语义分割

D.卷积神经网络 图像 语义分割

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.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.对图像进行平滑（模糊化）

B.对图像进行增强

C.对图像进行分类

D.对图像进行裁剪

A.深度置信网络(DBN)

B.基于多层神经元的自编码神经网络

C.基于卷积运算的神经网络(卷积神经网络CNN)

D.三层BP神经网络