ML |条纹卷积简介
让我们从一个基本问题开始这篇文章——“为什么需要填充和条纹卷积？”
假设我们有一个尺寸为n×n的图像。如果用 f x f 滤波器进行卷积，则获得的图像尺寸为
。
示例:
考虑一个6×6 的图像如下图所示。用3×3过滤器进行旋绕。卷积是使用逐元素乘法完成的。
图 1:6×6图像与 3×3 滤波器和s = 0
卷积后获得的图像图 2:6×6 滤波器
图 3:3×3 滤镜
图 4:元素乘法 但是这种卷积有两个缺点:
- 通过每次应用卷积滤波器，原始图像下沉。即输出图像具有比原始输入图像更小的尺寸，这可能导致信息丢失。
- 仅在一个输出中使用的图像角的像素比中间的像素多，这导致巨大的信息损失。
为了避免它，需要填充。此外，有时我们有一个非常大的输入图像要用一个 f x f 滤波器进行卷积，这在计算上可能非常昂贵。在这种情况下，使用大踏步。这就是为什么填充和跨步是卷积神经网络最基本的组成部分之一
输出图像尺寸:
让一个 n x n 图像用 f x f 滤镜进行卷积。假设填充边界为 p 像素，步长为 s ，则获得的输出图像的尺寸为
应当选择步幅量，使得需要相对较少的计算，并且信息损失应当最小。 图 5:6×6 图像与 3×3 滤波器卷积后得到的图像，步长为 2
版权属于：月萌API www.moonapi.com，转载请注明出处
