文章目录
卷积与互相关
以前卷积常用在信号/图像处理中,其定义如下:
( f ∗ g ) ( t ) = ∫ − ∞ ∞ f ( x ) g ( t − x ) (f*g)(t)=\int_{-\infty}^{\infty}f(x)g(t-x) (f∗g)(t)=∫−∞∞f(x)g(t−x)
可以看出卷积是由两个函数生成第三个函数的数学算子,f与翻转并平移的g进行相乘后积分。
Cross-correlation被称为滑动点积或者两个函数的滑动内积,Cross-correlation中的滤波器函数是不用翻转的。它直接划过特征函数f。f和g相交的区域就是Cross-correlation。
在深度学习中所用的卷积应该说是互相关。
深度学习中普通的Conv
在深度学习中,单个卷积如下:
一个卷积核心具有多个卷积层,同样的操作,再加起来。3D卷积核在2D方向上移动,称为2D卷积。一般会有多个与被巻函数相同深度的卷积核。
3D卷积:
卷积核的深度小于被卷函数,并在三个方向上移动。
1x1 Convolution:
这个就不解释了,很简单。
卷积结果的尺寸公式: