1.步长、填充
步长:即在卷积的时候,卷积核在输入图像上每次移动(滑动)的格数(像素数)
填充:为了使卷积的时候使边缘部分的信息损失变小,或者使卷积结果与输入图像尺寸一致,需要在输入图像的边缘(周围)添加0,即填充(零填充)
2.感受野
即卷积结果(特征图)上的一个像素(一个点)对应输入图像上的区域的大小。
3.局部感知、权值共享
局部感知:由于全局感知需要大量的参数信息,导致计算过慢,所以引入局部感知,减少参数量,提高效率,即每个神经元没有必要对全局图像进行感知,而是抽出某几部分(局部),对其进行感知,最后在更高层次将这些局部信息综合,从而得到全局信息。例如:识别动物,可以只从嘴巴,眼睛,爪子等方面进行特征提取与判断,从而得出该动物的类别。
权值共享:卷积核里面的数值即权值,顾名思义,权值共享就是共用一个卷积核,卷积核的大小以及里面的数值不会改变,从而减少了参数量,也满足了平移不变性。
4.池化(子采样、降采样、汇聚)
对卷积结果(特征图)进行压缩,保留其主要的信息,即实现下采样。
5.低级特征、中级特征、高级特征
低级特征:对原始数据进行初步分析处理,得到最初的低级特征,这些特征只反应每个像素对应的信息。
中级特征:对低级特征进一步处理,得到中级特征,中级特征反应了原始图像的某一部分(局部)的信息
高级特征:对中级特征再进一步处理,得到高级特征,高级特征包含位置信息,不能权值共享,此时卷积层无法胜任,需要用全连接层。