图像卷积、步长、填充、特征图、多通道卷积、权重共享、感受野、池化
卷积神经网络的一些基本概念:图像卷积、步长、填充、特征图、多通道卷积、权重共享、感受野、池化
1.图像卷积、步长、填充
2.特征图与多通道卷积
3.权重共享
当对每组进行卷积时,不同的通道使用不同的卷积核。但当卷积核在同一幅图的不同空间位置进行卷积时,采取的是权重共享的模式,这是卷积神经网络非常重要的概念。
√卷积神经网络某一层的参数量由输入通道数N、输出通道数M和卷积核的大小r决定。
√一层连接的参数量=N×M×r×r
4.感受野(Receptive Field)
可以将感受野理解为视觉感受区域的大小。
在卷积神经网络中,感受野是特征平面上的一个点(即神经元)在输入图上对应的区域,如图1.18所示。

如果一个神经元的大小受到输入层N×N的神经元区域的影响,那么可以说该神经元的感受野是N×N,因为它反映了N×N区域的信息。
图1.18:Conv2中的像素点为5,是由Conv1的2×2的区域得来的,而该2×2区域是由原始图像的5×5区域计算而来,因此该像素的感受野是5×5。可以看出,感受野越大,得到的全局信息就越多。
5.池化(Pooling)
图1.18中,从原图到Conv1再到Conv2,图像越来越小,每过一级项相当于一次降采样,这就是池化。
池化通过步长不为1的卷积来实现,也可以通过插值采样实现,本质上没有区别,只是权重不同。
池化作用:
-
池化层可以对输入的特征图进行压缩,一方面使特征图变小,简化网络计算的复杂度
-
另一方面可以提取主要特征,有利于降低过拟合风险
常见池化分类 (图1.19) | 平均池化(Average Pooling) | 最大池化(Max Pooling) |
---|---|---|
概念 | 计算池化区域所有元素的平均值作为该区域池化后的值 | 池化区域的最大值作为该区域池化后的值 |
特点 | 能够保留整体数据的特征,能较好的突出背景信息 | 能更好地保留纹理特征 |
套用卷积通用公式:
o
u
t
p
u
t
=
[
(
i
n
p
u
t
−
f
i
l
t
e
r
S
i
z
e
+
2
∗
p
a
d
d
i
n
g
)
/
s
t
r
i
d
e
]
+
1
output=[(input-filterSize+2*padding)/stride]+1
output=[(input−filterSize+2∗padding)/stride]+1
PS:公式是向下取整