- 卷积就是相乘再相加(卷积核需要翻转),方便对图像提取特征或者是其他的一些目的(比如边缘检测)。除了原图像之外,另一个被用来相乘相加的就被称为是卷积核。同时,卷积核也被称为滤波器。
卷积的更加详细生动的解释:https://www.cnblogs.com/sevenyuan/p/7810755.html
这个作用之后得到的结果就被称为特征图(意思是在输出在空间维度上某一级的表征)影响元素x的前向计算的所有可能输入区域(可能大于输入的实际尺寸)叫做x的感受野(receptive field)。顾名思义,就是感受+域,就是你处理完了之后得到的一个像素x,可能是由处理前的四个像素得到的,那我们就说这个像素x感受了那四个像素。那四个像素就是x的感受野。
2.卷积核与互相关
再计算卷积的过程中需要做卷积核翻转,为了减少开销,我们一般会用互相关运算来代替卷积运算。
互相关和卷积的区别在于卷积核仅仅是否进行翻转。因此互相关也可以称为不翻转卷积。
插一句不重要的话,在我们做深度学习的过程中,卷积核都是训练出来的,我就在想,给定输入和输出,训练出这种变化的卷积核,然后再对待变化的图进行这样的卷积核的处理。
3.填充和步幅
这两都是模型训练中的超参数。填充就是padding,就前端里的那个padding,方便卷积核对边界元素进行处理。步幅就是那个卷积核不是要在原图像上面滑动嘛,然后每次滑动的格子数。然后这两个参数可以使得输入和输出具有相同的高和宽。
4. 多输入通道和多输出通道