计算机视觉网络基础知识（1）

卷积计算

        卷积是数学分析中的一种积分变换的方法，在图像处理中采用的是卷积的离散形式。互相关运算作为卷积的定义，大致过程如下：

        输出结果的计算过程就是输入区域取与核相同大小的a区域，与核进行对于位置数据相乘，最后再将所以结果相加获得输出结果中的一个数据，然后再将a区域移动移动方向对应输出区域的位置，按从左往右、从上往下的顺序，依次在输入数组上滑动。（若是存在偏置，最终结果还应该增加偏置值）

        卷积核也被叫做滤波器，实现信号的滤波和特征提取。假设卷积核的高和宽分别为𝑘ℎ和𝑘𝑤，则将称为𝑘ℎ×𝑘𝑤卷积，比如3×5卷积，就是指卷积核的高为3, 宽为5。

---

填充

        经过一次卷积后，图像尺寸变小，具体变化如下图所示：

        如果经过多次卷积，输出图片尺寸会不断减小，边界和角落像素丢失越来越多，导致模型训练效果不佳。且当卷积核的高度和宽度不同，通过填充使输入和输出具有相同的宽和高。 

        具体做法就是在原图像周围增加一圈或者多圈数值0，增加初始H和W，这样卷积并不会改变卷积前后图像大小，保留边缘信息。卷积核大小通常使用1，3，5，7这样的奇数。

---

步幅

        上文提到过，卷积计算就是卷积核在输入图像中移动计算值，当宽和高方向的步幅分别为𝑠ℎ和𝑠𝑤时，输出特征图尺寸的计算公式是：

        设输入图片尺寸是𝐻×𝑊=100×100，卷积核大小𝑘ℎ×𝑘𝑤=3×3，填充𝑝ℎ=𝑝𝑤=1，步幅为𝑠ℎ=𝑠𝑤=2，则输出特征图的尺寸为： 

---

感受野

         感受野可以用来描述神经网络中每个神经元接收信息的范围和影响。输出特征图上每个点的数值，是由输入图片上大小为𝑘ℎ×𝑘𝑤的区域的元素与卷积核每个元素相乘再相加得到的，所以输入图像上𝑘ℎ×𝑘𝑤区域内每个元素数值的改变，都会影响输出点的像素值。我们将这个区域叫做输出特征图上对应点的感受野。

       如上图所示，当卷积核大小为4*3，且步幅为2时，感受野的大小就为9*7.若是多层卷积，某一个像素点感受野也会越来越大，即输出特征图中的一个像素点将会包含更多的图像语义信息。同样的，通过池化层的操作，神经元感受野的大小会相应增加。

        在卷积神经网络（CNN）中，感受野可以通过卷积层和池化层的设置来控制。卷积层使用卷积核对输入图像进行卷积操作，从而提取特征。每个卷积核对应一个神经元，该神经元只对输入图像中与卷积核大小相同的区域进行感知，并生成相应的特征图。通过不同层次的卷积操作，上层神经元的感受野会逐渐增大。

        因此，在设计神经网络时，需要根据任务的需求和输入数据的特点来选择合适的感受野大小。通常会通过多层的卷积和池化操作来逐渐增加感受野的大小，以获得更好的特征表示能力。