本文介绍了卷积神经网络中的卷积计算，揭示了卷积过程在图像处理中的作用和思想。卷积是通过滤波器在图像上滑动，对每个位置进行线性变换，用于抽取特征。浅层卷积学习边缘、角点等简单特征，深层卷积组合这些特征形成复杂的模式，如狗脸、人脸等。通过数据驱动学习的卷积核权重，网络逐层构建出由简单到复杂的模式，具有强大的表达能力和泛化能力。
原文https://www.cnblogs.com/shine-lee/p/9932226.html
https://www.jianshu.com/p/2a0f3a4a9d1d
卷积神经网络之卷积计算、作用与思想 博客：blog.shinelee.me | 博客园 | CSDN卷积运算与相关运算在计算机视觉领域，卷积核、滤波器通常为较小尺寸的矩阵，比如3×33×3
、5×55×5
等，数字图像是相对较大尺寸的2维（多维）矩阵（张量），图像卷积运算与相关运算的关系如下图所示（图片来自链接），其中FF
为滤波器，XX
为图像，OO
为结果。相关是将滤波器在图像上滑动，对应位置相乘求和；卷积则先将滤波器旋转180度（行列均对称翻转），然后使用旋转后的滤波器进行相关运算。两者在计算方式上可以等价，有时为了简化，虽然名义上说是“卷积”，但实际实现时是相关。在二维图像上，使用Sobel Gx滤波器进行卷积如下图所示（图片来自链接），
当输入为多维图像（或者多通道特征图）时，多通道卷积如下图所示（图片来自链接），图中输入图像尺寸为6×66×6
，通道数为3
最低0.47元/天 解锁文章
3519
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
