计算机视觉-卷积基本要素及实例

前言

本文将介绍 padding，卷积步长，池化层等概念。

1.基本概念

1.1. padding

        综合两个缺点，第一个缺点是每次做卷积操作，你的图像就会缩小，从 6×6 缩小到 4×4，你可能做了几次之后，你的图像就会变得很小了，可能会缩小到只有 1×1 的大小。图像在每次识别边缘或其他特征时都缩小。第二个不利因素是那些在角落或者边缘区域的像素点在输出中采用较少，意味着丢掉了图像边缘位置的许多信息。所以引入了padding概念，简单来说就是在矩阵外加边。

 

为了解决这些问题，你可以在卷积操作之前填充这幅图像。在这个案例中，你可以沿着图像边缘再填充一层像素。如果你这样操作了，那么 6×6 的图像就被你填充成了一个 8×8 的图像。如果你用 3×3 的图像对这个 8×8 的图像卷积，你得到的输出就不是 4×4 的，而是 6×6的图像，你就得到了一个尺寸和原始图像 6×6 的图像。习惯上，你可以用 0 去填充，如果𝑞是填充的数量，在这个案例中，𝑞 = 1，因为我们在周围都填充了一个像素点，输出也就变成了(𝑜 + 2𝑞 − 𝑔 + 1) × (𝑜 + 2𝑞 − 𝑔 + 1)，所以就变成了(6 + 2 × 1 − 3 + 1) × (6 + 2 × 1