AI作业8-卷积2

1.步长、填充

步长

在卷积过程中，需要不断滑动卷积核来达到扫描二维图像的要求，并每次向列或行方向滑动并逐次计算值，而每次滑动的行数和列数就称之为步长。而步长的作用是为了成倍的缩小尺寸，来压缩一部分信息或者使输出的尺寸小于输入的尺寸。

填充

在卷积运算中，如果图像大小为n×n，过滤器为q×q。那么卷积运算的结果为（n-f+1）×（n-f+1）。经过运算后图像会缩小，而当经过了多次卷积后，原图像特征可能会缩小或丢失。填充顾名思义就是在图像周围填充一圈像素点，由原本的n×n图像得到（n+3）×（n+3）的图像，而卷积后得到n×n的图像。

2.感受野

感受野

感受野这一概念来自生物神经科学，指的是感觉系统中的任一神经元，其所收到的感受器神经元的支配范围。而在卷积神经网络中，感受野比较特殊，它不由整个网络输出所决定，它可以存在网络中的任意一层，但它的输出仅由输入部分决定。

3.局部感知、权值共享

局部感知

简单来说就是在卷积神经网络中，每个神经元只与上一层的部分神经元相连，只感知局部，而不是整幅图像。为什么这么做呢，一般是认为空间的联系与局部像素联系较为密切，而与距离较远的像素相关性就不那么强，所以，就无需每个神经元对全图进行感知，只需要每个神经元只对局部图像进行感知，再将特征信息上传至更高层综合起来得到全局信息。

权值共享

在局部连接中，每个神经元的参数都是一样的，换言之，同一个卷积核在图像中都是共享的，在卷积的过程中，所提取到的局部信息有一部分统计特征是与其他部分相同的，所以可以将原本学习到的特征运用在其他部分上。借此，对于图像，我们可以使用同样的学习特征。

4.池化（子采样、降采样、汇聚）

子采样

子采样通常在CNN中用于降维，减少网络学习的参数数量，防止过拟合，扩大感知野，或者实现平移不变性，旋转不变性，尺度不变性。

降采样

又名下采样或缩小图像，即采样点减少。这样是为了使得图像符合显示区域的大小，生成对应图像的缩略图。

汇聚

汇聚是对提取特征进行综合，目的是为了降低卷积层对位置的敏感性，同时降低对空间降采样表示的敏感性。

5.低级特征、中极特征、高级特征

视觉特征：点和边这样的低级特征，平面和斑点这样的中级特征，以及语义标记的对象这样的高级特征

低级特征

低级特征来源于浅层网络，富含空间信息，空间信息的特征分辨率比较高。

中级特征

中级特征则来源于浅层网络与深层网络之间，与低级特征相比，其空间属性更加丰富，但空间信息的特征分辨率较低。

高级特征

高级特征来源于深层网络，富含语义信息，语义信息的特征分辨率比较高。