一、边缘检测
1.检测垂直边缘(vertical edges)
(1)检测垂直边缘的卷积核
(2)检测垂直边缘
-
由亮变暗
假设大于0的值表现为白色,等于0的值表现为灰色,小于0的值表现为黑色,如图左边为白色,右边为灰色的区域,由亮向暗过渡,经过卷积核后会表现为中间为白色区域,两边为灰色的区域,及中间的垂直边缘被放大为白色区域。
-
由暗变亮
2.检测水平边缘(horizontal edges)
(1)检测水平边缘的卷积核
(2)检测水平边缘
二、Padding方法
1.普通的卷积操作的不足之处
(1)每次卷积操作,图像都会缩小,可能多次卷积后,图像变得很小。
(2)对一个图像进行卷积,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。
2.Padding方法
在卷积之前填充图像,在最外围填充一层或多层像素,常见有零填充、镜像填充和复制填充等方法。
3.卷积中两种Padding方法
(1)Valid卷积:
意味着不填充,(n×n)的图片用(f×f)的卷积核卷积后,图像变为(n-f+1)×(n-f+1)。
(2)Same卷积:填充后保证输出大小和输入大小时一样的。
对(f×f)的卷积核填充p层,则图像变为(n+2×p-f+1)×(n+2×p-f+1)。
当p=(f-1)/2 , 有 (n+2×p-f+1)×(n+2×p-f+1)=(n×n)。
4.卷积核的尺寸通常是奇数。
三、卷积步长
1.卷积步长
卷积步长s:在图像中卷积核移动的长度。
2.卷积后图片尺寸计算公式
四、卷积网络映射参数少的原因
1.参数共享
特征检测垂直边缘如果使用图片的某个区域,那么它也可能适用其他区域。
例如,用于检测图片左上角区域的特征,也可能适用检测图片右下角,因此在计算左上角和右下角时,不需要添加其他特征检测器。不仅低阶特征有这样的特点,高阶特征也同样适用。
2.稀疏连接
(1)卷积后得到的某个像素,只与卷积核映射的f × f个像素有关联,与其他像素无关联。
因此,卷积神经网络可以通过这两种机制减少参数,以便我们用更小的数据集来训练,从而预防过渡拟合。
(2)卷积神经网络善于捕捉平移不变,即使向左右移动的几个像素,图片依然清晰可见,因为即使移动几个像素,这张图片依然具有非常相似的特征,应该属于同样的输出标记。
五、三维卷积
1.图片尺寸计算公式
其中: 为三维图片的通道数,通常为3
为卷积核的个数,图中为2个卷积核
2.卷积神经网络的特征
避免过拟合:不论图片多大,卷积层的参数只与卷积核尺寸和偏差项b有关,参数数量固定不变。
如卷积层有10个3×3×3的卷积核,则该层的参数为(27+1)×10=280个,且不随着图片大小改变
3.卷积神经网络第L层中的参数
4.简单卷积神经网络实例
卷积神经网络随着计算加深,通常开始的图像较大些,高度和宽度会在一段时间内保持一致,然后随着网络深度加深宽度逐渐减少,而通道数量在不断增加。
六、池化层
1.最大池化法 Max pooling
(1)原理
如果在过滤器中提取到某个特征,那么保留其最大值。
(2)公式
适用与卷积层的公式同样适用于池化层。
(3)实例
若过滤器为 f×f = 2×2 , 步长 s=2,对4×4图片的池化结果如下:
2.平均池化法 Average pooling
(1)原理
如果在过滤器中提取到某个特征,那么保留其平均值。
(2)公式
适用与卷积层的公式同样适用于池化层。
(3)实例
七、常见卷积神经网络结构
1.超级参数的设置
大量读文献,参考文章中优秀模型的参数设置,往往效果比较好。
2.模型的参数
(1)池化层(最大池化层或平均池化层)没有参数。
(2)卷积层的参数相对较少,全连接层存在许多参数。
(3)激活值, 随着层数加深激活值Activation的size会减少,如果激活值A下降太快,也会影响网络性能。