where y(Cn Pi) is the output of the

where y(Cn Pi) is the output of the network for class Cn on image patch Pi, M is the number of patches in the im- age, and k 1 is a parameter. Higher values of k focus on the highest scoring patches and attenuate the contributions of low- and mid-scoring patches. The value of k = 5 was optimized on the validation set and is fixed in our experi- ments.Note that patch scores could be computed much more efficiently by performing large convolutions on adequately subsampled versions of the full image, as described for in- stance in [12]. This would permit a denser patch coverage at a lower computation cost.

結果 (繁體中文) 1:

其中，y（CN PI）是網絡中類的C n上圖像面片P 1的輸出中，M是貼片的圖像中的數量，且k 1是參數。k聚焦上得分最高的補丁的較高值，並減輕低收入和中等得分補丁的貢獻。K = 5的值在驗證組優化的，並且被固定在我們的發言：experi-。
注意，補丁分數可以通過對完整的圖像的充分子採樣版本大卷積更有效地計算，如在[12]在-姿態說明。這會以較低的計算成本允許更密集的貼片覆蓋。

結果 (繁體中文) 2:

其中 y（Cn Pi）是圖像修補程式 Pi 上的 Cn 類網路輸出，M 是 im-年齡中的修補程式數，k 1 是一個參數。較高的 k 值側重于得分最高的修補程式，並減弱低分和中分修補程式的貢獻。k = 5 的值在驗證集上進行了優化，並在我們的驗證集中固定。
請注意，修補分數可以通過對完整圖像的足夠子採樣版本執行大卷積來更有效地計算，如 [12] 中所述。這將允許以更低的計算成本實現更密集的修補程式覆蓋率。

結果 (繁體中文) 3:

其中y（Cn Pi）是影像修補程式Pi上Cn類的網絡輸出，M是影像修補程式中的修補程式數，k 1是一個參數。較高的k值集中在得分最高的貼片上，並减弱得分較低和中等的貼片的貢獻。在驗證集上對k=5的值進行了優化，並在我們的實驗中進行了固定。
請注意，通過對完整影像的充分子採樣版本執行大卷積，可以更有效地計算補丁分數，如[12]中的in-stance所述。這將允許以較低的計算成本實現更密集的補丁覆蓋。