2020-11-09 卷积核&&池化

卷积神经网络CNN中的卷积核与池化

1.深度学习：可以在不同的层数来提取不同的尺度或者不同的层级的特征信息。
2.卷积核：如果经过大量的图片作为数据集，最终卷积核会训练成待提取的特征，此时卷集合与新的图像做卷积操作，符合卷积核特征的部分得到的结果也比较大，经过激活函数传递给下一层，所以可以比较好的表征区域符合特征的程度。用相同的卷积核对整幅图片进行一个卷积操作，相当于对图像进行全图滤波，选出图片上所有符合这个卷积核的特征。例如一个卷积核的特征是提取边缘，经过卷积（全图滤波），即将图像各个位置的边缘都选择出来（帮助实现不变性），不同的特征可以通过不同的卷积核来实现。
3.池化：池化其实本质就是用卷积去缩小图像，只是权重不一样，池化操作的每个池化窗口都是不重叠的，因此池化窗口的大小等于stride（步长）,mean pooling,max polling,其实理想的还是小波变换，整体更加细微，还能够保留更多细节特征，池化的本质是使特征图缩小，有可能影响网络的精确度，但是可以通过增加特征图的深度来弥补精度的损失。
其中，Subsampling下采样层和池化层的作用似乎没有差别，个人认为，池化层可以理解为下采样层。