RGB图像卷积生成Feature map特征图过程

 RGB图像有R、G、B三个通道，与之卷积的（每个，为什么说每个，这一次卷积完会输出特征图feature map，因为卷积核的个数决定了这一次卷积之后的输出的通道数，这个通道数就是说有多少张feature map（有多少张特征图），【卷积核相当于一个提取特征函数，输入图片，经过这个函数，得到特征图】，每个卷积核在卷积过后会生成一张feature map，一个卷积核提取的特征会呈现在它对应的那张feature map中，卷积核的个数在实际操作过程中通常会设置一些初始的预设值，可以根据最终模型效果来微调整）卷积核都是R、G、B构成的。RGB原输入图像如果是（3，512，512），即（通道数，图高，图宽），则他的卷积核都要满足（3，kernel_size_h,kernel_size_w),h=w=奇数。深度学习的的卷积虽然说是卷积，但这个过程其实是互相关运算（如上图所示就是随着kernel的滑动，每次卷积就是两个矩阵元素的对应项相乘再相加，而不是两个矩阵相乘）。

那3通道的RGB的输入图和一个3通道的卷积核是如何经过卷积变成了一张二维的feature map的呢？根据上面红字所说，每一次滑动，输入图的R通道与卷积核R通道卷积后会得到一个数（对应项目相乘相加最终会得到一个数），G、B通道同理也会分别得到一个数，分别记作 数_cov_R,数_cov_G,数_cov_B,这三个数再相加，得到的初步结果数记作res0_i_j，这个res0_i_j 再加上一个bias值就会得到这一次”卷积运算“的结果 res_i_j 了，这个结果是feature map元素矩阵的一个元素的值。随着卷积核在输入原图的RGB图像上滑动，逐渐生成一整张feature map（一个矩阵）的元素值，即可得到一张feature map。多个卷积核就会生成不同的feature map ，每个卷积核可以设置不同的bias。