1、
步长(Stride)是卷积操作中,卷积核在输入数据上滑动的步幅大小。步长决定了每次滑动的距离,它可以是1、2或更大的正整数。较大的步长可以减小输出特征图的尺寸,从而降低计算量,但也可能会损失一部分细节信息。
填充(Padding)是指在输入数据的周围添加一圈像素值为0的边界。填充操作可以在卷积操作中保留输入数据的尺寸,从而防止特征图尺寸的过度减小。常用的填充方式有"valid"和"same",其中"valid"表示不进行填充,"same"表示填充后特征图尺寸与输入数据相同。
2、
感受野(Receptive Field)是指神经网络中一个神经元对输入数据的观察范围。一个神经元的感受野可以由其所在的卷积核和步长大小决定。较大的感受野可以捕捉更大范围的图像信息,用于提取全局特征,而较小的感受野则更适合提取局部特征。
3、
局部感知(Local Perception)是指卷积操作的特点,它将卷积核应用于输入数据的局部区域,并通过卷积操作获得该区域的特征表示。相比于全连接层,卷积操作的局部感知性可以有效减少参数数量,并提取适合任务的局部特征。
权值共享(Weight Sharing)是卷积操作的优点之一。在卷积操作中,卷积核的参数(权重)在整个输入数据上共享,即不同位置使用相同的权重。这种权值共享减少了网络的参数数量,降低了模型的复杂度,同时也增加了模型的泛化能力。
4、
池化(Pooling)是一种降低特征图尺寸的操作,常用于卷积神经网络中。池化操作将特征图的每个子区域取最大值或平均值作为汇聚后的特征值。池化操作可以减少特征图的维度,降低计算量,并且可以提取特征的不变性,使特征对平移、旋转和尺度变化具有一定的鲁棒性。
5、
低级特征(Low-level Features)是指在卷积神经网络早期的卷积层中提取的特征。低级特征主要包含边缘、角点、纹理等底层图像特征。
中级特征(Mid-level Features)是指在卷积神经网络中间层中提取的特征。中级特征对应于输入数据中的更具体的对象和形状信息。
高级特征(High-level Features)是指在卷积神经网络后期的卷积层中提取的特征。高级特征对应于更抽象的语义信息,例如目标的类别或物体的部分。高级特征往往是卷积神经网络在分类、检测等任务中最重要的特征表示。