卷积相关2021-09-23

  • 卷积过程是在图像每个位置进行线性变换映射成新值的过程,可以将卷积核看作权重,拉成向量记作 w w w ,图像对应位置的像素拉成向量记作 x x x ,那么卷积结果就为 y = w x + b y=w^{} x+b y=wx+b ,即向量内积+偏置b
  • 可以理解为多层卷积是在进行逐层映射,整体构成一个复杂函数,训练过程是在学习每个局部映射所需要的权重,训练过程可以 看成是函数拟合的过程。
  • 通过多层卷积,将简单模式组合成复杂模式,这种灵活的组合能保证具有足够的表达能力和泛化能力。

多层卷积抽取复杂特征:

  • 每层得到的特征图直接观察室看不出什么的,因为其中每个位置都代表了某种模式,需要在这个位置将模式复现出来才能形成人能够理解的图像。
  • 卷积神经网络每层的卷积核权重是由数据驱动学习得来,不是人工设计,
  • **数据驱动卷积神经网络逐层学到由简单到复杂的特征,复杂模式是由简单模式组合而成。**例如layer4的狗脸是由layer3的几何图形组合而成,layer3的几何图形是由layer2的纹理组合而成,layer2的纹理是由layer1的边缘组合而成,从特征图上看,layer4特征图上一个点代表layer3某种几何图形或者表面的组合,layer3特征图上一个点代表layer2某种纹理的组合,layer2特征图上一个点代表layer1某种边缘的组合。
  • 不同的边缘 -> 不同纹理 -> 不同几何图形和表面 -> 不同的狗脸、不同的物体。前面层模式的组合可以多种多样,使后面层可以描述的模式也可以多种多样,所以具有很强的表达能力,泛化能力更强。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值