卷积神经网络基础---卷积层Convolution
卷积层、卷积核与卷积操作
通常,在神经网络中的卷积层、卷积核指的都是同一个东西—滤波器。
如下图所示是一个3x3的滤波器(卷积核)(实际上它是一个sobel算子)
每一幅彩色图像实际上都是由一个二维矩阵+三个通道组成的,二维矩阵里存放着图像的灰度值,三个通道分别为R(红)、G(绿)、B(蓝)。
所谓卷积层提取浅层特征,指的就是将滤波器覆盖到图像像素上进行卷积操作。
如有如下的图像
对它进行卷积操作,即对应元素相乘求和,然后向右滑动一步;如果像右滑动到头,则回到最左端,向下滑动一步,再重复上述步骤,直到遍历完整个图像。
得到特征图(卷积计算出像素值小于0则取0,大于255则取255)
但是经过上述卷积操作,一幅4x4的像素图经过3x3的卷积操作获得的是一个2x2的特征图。但是我们往往需要特征图与原图大小一致,这就需要对原图像进行填充,通常使用的方法是0填充。如下图所示。
再经过卷积计算,就能够得到4x4的特征图。
那么如果使用上述的卷积核,就能够将图像的轮廓提取处来,从而将注意力集中在图像中更需要分析、理解与处理的地方。