卷积神经网络中，对不同位置的特征进行聚合统计,称为池化（pooling)。池化不会丢失图像的信息，也不会降低其空间分辨率。（)

A.对图像进行增强

B.对图像进行裁剪

C.对图像进行平滑(模糊化)

D.对图像进行分类

A.只能处理图像数据

B.只能在网络中使用卷积层

C.池化层只能添加一层

D.可以加入全连接层

A.SSD采用了Anchor机制使用全图各个位置多尺度区域特征进行回归

B.SSD中多尺度特征图将卷积层改成全连接层

C.SSD中辅助卷积层是用于物体对象分类

D.SSD中大尺度特征图主要用来检测大物体

A.在卷积神经网络中，采用平均池化可减小误差，适用于需要突出纹理等特征的场景中

B.ResNet通过增加恒等映射，增加参数从而减少模型优化的难度，实现性能提升

C.空间金字塔池化(SPP)通过把图像的卷积特征转化成相同维度的特征向量，使模型可以处理任意尺寸的图像

D.批规范化(batchnormalization)是在不引入新参数的情况下保证每一层网络的输入具有相同的分布

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