1.步长、填充
步长和填充是卷积神经网络中常用的两个参数,用于调整卷积操作的行为和输出特征图的尺寸。
步长是指在进行卷积操作时,卷积核每次移动的步幅大小。步长的设置决定了输出特征图的尺寸。通常,较大的步长会导致输出尺寸的减小,而较小的步长则会保持更多的细节信息。
填充是指在输入特征图的周围添加额外的像素或值,以扩展特征图的尺寸或保护边界信息。填充可以用来控制输出特征图的尺寸,同时还可以减少边界处的信息丢失。
2.感受野
感受野是指在神经网络中的某一层输出上,对应于输入数据的局部区域大小。在CNN中,每个神经元与输入数据中一定区域的信息相连,并通过这些连接来接收和处理输入数据。该区域的大小就是感受野。
总之,感受野是指在神经网络中某一层输出上,对应于输入数据的局部区域大小。它在CNN中起着重要的作用,影响着网络对输入数据的感知和理解能力。
3.局部感知、权值共享
局部感知和权值共享是卷积神经网络中的两个重要概念。
局部感知指的是在卷积神经网络中,每个神经元仅与输入数据的局部区域相连,并通过这些连接来接收和处理局部信息。这种局部感知的方式使得神经网络能够有效地处理局部特征,并对输入数据进行多层次的特征提取。
权值共享是指在卷积神经网络中,同一个卷积核在整个输入数据的不同位置共享相同的权重参数。这意味着在卷积操作中,无论卷积核移动到哪个位置,它所使用的权重参数都是一样的。这种权值共享的方式大大减少了网络的参数量,提高了模型的效率和泛化能力。
4.池化(子采样、降采样、汇聚)
池化是卷积神经网络中常用的一种操作,用于减小特征图的尺寸并提取主要特征。
池化操作基于输入特征图的局部区域,通过一定的统计函数对该区域进行汇聚,得到汇聚后的特征值。通过池化操作,可以在减小特征图的维度的同时保留重要的特征信息,从而降低计算量并提高模型的效率。
5.低级特征、中级特征、高级特征
在计算机视觉领域和卷积神经网络中,低级特征、中级特征和高级特征是用于描述不同层次的图像特征表示的概念。
低级特征指的是在神经网络的浅层或较早的卷积层中提取到的原始、局部的图像特征。这些特征通常包含一些基本的形状、边缘、纹理和颜色等低层次的信息。
中级特征是在网络的中间层次进行提取的特征,它们具有比低级特征更高层次的抽象和语义含义。中级特征可以将低级特征组合起来,形成更具有代表性和抽象性的特征表示。
高级特征是在神经网络的较深层次中提取的抽象和语义丰富的特征表示。它们通过对中级特征的进一步组合和整合,能够对整体图像的语义信息和高层次结构进行建模。