一、简单描述卷积、卷积核、多通道、特征图、特征选择概念。
卷积的概念还可以推广到数列、测度以及广义函数上去。定义:卷积是两个变量在某范围内相乘后求和的结果。
在数学上,卷积核的标准定义是两个函数在反转和移位后的乘积的积分:
多通道模式是把含有通道的图像分割成单个的通道。
特征图(feature map):即数据的存储图,每个卷积层都包含输入特征图(Input)和输出特征图。其包含高度、宽度、深度三个维度和通道数、批量尺寸两个参数(维度)。
特征选择(feature selection)也被称为变量选择、属性选择或属性子集选择。它是为了构建模型而选择相关特征子集的过程。
特征选择是指从原始特征中挑选出一组最有代表性、分类性能好的特征。没有确定的步骤,更多是工程上的经验和权衡,一般需要耗费较多的时间和精力,掌握常用的经验和权衡方法,可以极大提高挖掘建模的效率和效果。给定不同的挖掘任务,需要的特征组合可能不同。
二、探究不同卷积核的作用,研究背后的原理。
在相同感受野的情况下,使用空洞卷积可以得到个更大的特征图,可以获得更加密集的数据。在相同感受野的情况下,更大的特征图有助于在目标检测和目标分割的任务中对小物体的识别分割效果。使用空洞卷积能够更好的保留一些特征
三、编程实现:
import numpy as np
import torch
from torch import nn
from torch.autograd import Varia