【22-23 春学期】人工智能基础--AI作业8-卷积2

1. 步长、填充
步长（stride）：在卷积神经网络中，步长表示滤波器（卷积核）在输入数据上滑动的距离。

填充（padding）：在卷积神经网络中，填充是在输入数据周围添加额外的“像素”或“值”，以便在应用卷积核时保持输入和输出的尺寸。

2. 感受野
感受野是指输出特征图中一个神经元所对应的输入数据区域

3. 局部感知、权值共享
局部感知是指在卷积神经网络中，神经元只对其输入的一小部分区域做出响应

权值共享是指在卷积神经网络中，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）
是卷积神经网络中的一种操作。它通常紧跟在卷积层后面，用于减小特征图（Feature Map）的尺寸和数量，同时保留输入数据的重要特征。

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。