卷积是什么?
卷积怎么操作的?
为什么会形成特征提取?
1*1卷积核为什么可以整理通道数?
这篇文章将会解决这些问题——
1 卷积是什么?
提取特征需要两个矩阵,一张是原图,一个是卷积核。卷积就是代表卷积核的矩阵点乘表示图像的矩阵的过程,局部点乘,求和得到特征值。
2 卷积怎么操作的?
圈1表示一张rgb图片,经过四个卷积核卷积后得到四张特征图,共同组成一个新的特征图。
圈2表示另一张图(方便理解)
3 为什么会形成特征提取?
这部分这位老师讲的非常清晰明了https://www.bilibili.com/video/BV1cL4y1F7Ss?spm_id_from=333.788.videopod.sections&vd_source=98026f4382fb1617a0f9a68127377cbb
简单来说就是一个卷积层中包含多个卷积核,每个卷积核都用来识别不同的特征,得到一个特征值,如果最后得到的特征值一样就说明它提取到的信息是一类,或者说它卷积的那块区域是这个目标对象。
4 1*1卷积核为什么可以整理通道数?
如下图所示。
优点:
通道压缩与扩展:1x1卷积可以调整特征图的通道数,即可以通过过滤器的数量来减少或增加特征图的通道。这使得网络能够学习如何从多个通道中提取相关信息。
特征融合:通过使用1x1卷积,网络能够对同一空间位置的多个通道之间进行加权求和,从而实现特征融合。这样不仅可以捕捉不同通道之间的关系,还可以通过加权组合得到更有判别力的特征。
非线性变换:在1x1卷积后,可以应用非线性激活函数(如ReLU),这使得网络能够学习到更加复杂的通道间关系而不仅仅是线性组合。
效率:相较于更大的卷积核,1x1卷积计算效率高,因为它只在通道维度上进行卷积,减少了计算量,但依然保留了重要的通道信息。
在深度学习中的角色:1x1卷积在诸如Inception模块和残差网络中的应用,进一步展示了它对捕捉通道相关性的重要性。这些模块中,1x1卷积起到了桥梁的作用,使得不同的卷积层能有效地组合特征。
5 案例
两个3*3卷积核对两个rgb图像是怎么提取特征的