1.步长,填充
步长和填充是卷积神经网络中常用的两个参数,用于调整卷积操作的行为和输出特征图的尺寸。
步长表示滤波器(卷积核)在输入数据上滑动的距离。通常,较大的步长会导致输出尺寸的减小,而较小的步长则会保持更多的细节信息。
填充是在输入数据周围添加额外的像素或值,以便在应用卷积核时保持输入和输出的尺寸。填充可以用来控制输出特征图的尺寸,同时还可以减少边界处的信息丢失。
2.感受野
感受野是指在神经网络中的某一层输出上,对应于输入数据的局部区域大小。
3.局部感知,权值共享
局部感知指的是在卷积神经网络中,每个神经元仅与输入数据的局部区域相连,并通过这些连接来接收和处理局部信息。
权值共享是指在卷积神经网络中,同一个卷积核在整个输入数据的不同位置共享相同的权重参数。
4.池化(子采样、降采样、汇聚)
池化操作基于输入特征图的局部区域,通过一定的统计函数对该区域进行汇聚,得到汇聚后的特征值。通过池化操作,可以在减小特征图的维度的同时保留重要的特征信息,从而降低计算量并提高模型的效率。
5.低级特征、中级特征、高级特征
低级特征指的是在神经网络的浅层或较早的卷积层中提取到的原始、局部的图像特征。这些特征通常包含一些基本的形状、边缘、纹理和颜色等低层次的信息。
中级特征则是指基于低级特征构建的一些更高层次的特征,如形状、轮廓、纹理组合等,这些特征能够更好地描述物体的形态和结构,因此对于分类或识别任务的效果会更好。
高级特征是在神经网络的较深层次中提取的抽象和语义丰富的特征表示。它们通过对中级特征的进一步组合和整合,能够对整体图像的语义信息和高层次结构进行建模。