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