1、步长、填充
步长:卷积核经过输入特征图的采样间隔
填充:在输入特征图的每一边添加一定数目的行列,使得输出的特征图的长、宽 = 输入的特征图的长、宽
2、感受野
卷积神经网络每一层输出的特征图(feature map)上的像素点在原始图像上映射的区域大小。
3、局部感知、权值共享
局部感知:卷积层的节点仅仅和其前一层的部分节点相连接,只用来学习局部特征。
权值共享:在卷积神经网络中,多个神经元共享同一组参数,这个参数组被称为卷积核。
4、池化(子采样、降采样、汇聚)
用来降低卷积神经网络或循环神经网络中的特征图的维度。在卷积神经网络中,池化操作通常紧跟在卷积操作之后,用于降低特征图的空间大小。
5、低级特征、中级特征、高级特征
低级特征通常指一些较为基础的、直接从原始数据中提取的特征,如颜色、纹理、边缘等,它们通常对于物体的分类或识别任务并不十分有效,但是可以作为中级特征的基础。
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。
高级特征则是指基于中级特征构建的更加抽象和复杂的特征,如物体的部件、结构、语义等,这些特征能够更好地描述物体的高层次语义信息,因此对于更加复杂的任务(如目标检测、语义分割等)的效果会更好。