卷积核
滤波器,模板
即加权求和
另F为图像,H为卷积核,F与H卷积记为R=F*H
R
i
j
=
∑
u
,
v
H
i
−
u
,
j
−
v
F
u
,
v
R_{ij}=\sum_{u,v}H_{i-u,j-v}F_{u,v}
Rij=u,v∑Hi−u,j−vFu,v
边界填充
如不考虑边界填充会导致输出变小
- 0填充(常用)
- 拉伸
- 镜像
全连接神经网络的瓶颈
参数量太大
不适合处理图像,只适合处理特征向量和小图像
卷积网络中的卷积核
一个卷积核对应一个特征响应
多个卷积核对应多个特征响应
卷积核的通道数等于上层卷积核的数量
特征响应图的不同位置表示输入不同位置对同一卷积核的响应
卷积有步长
卷积后尺寸
W
2
=
(
W
1
−
F
)
/
S
+
1
H
2
=
(
H
1
−
F
)
/
S
+
1
W_{2}=(W_{1}-F)/S+1\\ H_{2}=(H_{1}-F)/S+1
W2=(W1−F)/S+1H2=(H1−F)/S+1
可以边界填充
pooling层
对特征相应图独立进行,降低相应图的宽高,降低参数量,节省计算资源,防止过拟合,扩大感受野
常见池化
- 最大池化——非极大值抑制
- 平均池化
图像增强
存在问题——样本少导致过拟合
图像增强——从现有现有样本生成更多训练数据
目标——观察更多数据,增强泛化性能
方法——镜像,缩放,抠图,色彩抖动,拉伸,畸变…