研究生掰扯了很多图像处理的基础概念,所以想以更简单明了的方式来解释一下这两个名词的概念。
先说卷积层的具体实现,其实就是设计一组滤波模板,滤波模板的概念在基础图像处理中N年前就有了,再往前追溯,傅立叶变换就是最初的滤波祖师爷。
一般这组滤波模板可能有6个(lenet),对每一个模板来看,假设是5x5大小,对每一个像素,这个模板会与以此像素为中心的5x5个像素卷积,其实就是对应位置相乘再加起来,得到的就是滤波过后的此位置的新像素值,这就告诉我们,这个新的像素值,跟其他地方的像素值没啥关系,只跟这个5x5邻域范围内的像素值有关系,这就是所谓的局部连接。
在图像处理中这是一个广泛使用的先验知识,即,图像的局部相关性。
说到这里权值共享也非常明了了,整张图像就用这几个模板,逐一遍历过去,这还不是共享。。
跟sobel滤波比较一下,sobel是两个滤波模板,得到的分别是纵向和横向的边缘信息。
6个模板大概就是得到的这样的类似的信息,也就是所谓的特征图。
这样看起来,只要是吃透sobel滤波,卷积层就可以类比过去。
把CNN掰开了揉碎了看,这些看起来有点高大上的名词就可以比较接地气的方式理解了。
谈CNN卷积层的局部连接和权值共享
网友评论